DeepCVA: Automated Commit-level Vulnerability Assessment with Deep Multi-task Learning
CREST - The Centre for Research on Engineering Software Technologies, The University of Adelaide（CREST - 工程软件技术研究中心，阿德莱德大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
越来越多的人建议识别代码提交中的软件漏洞（SV），以提前警告潜在的安全风险。然而，在检测到对安全性有贡献的提交后，缺乏对它们进行评估的努力，以及时提供有关SV的可利用性、影响和严重性的信息。这些信息对于规划和优先考虑已识别SV的缓解措施非常重要。我们提出了一种新的深度多任务学习模型DeepCVA，基于通用漏洞评分系统（CVSS）指标同时自动执行七个提交级漏洞评估任务。我们对246个真实软件项目中包含542个不同SV的1，229个可扩展性贡献提交进行了大规模实验，以评估我们模型的有效性和效率。我们发现DeepCVA是性能最好的模型，马修斯相关系数比许多监督和无监督基线模型高出38%至59.8%。DeepCVA所需的训练和验证时间比七个累积评估模型少6.3倍，从而大大降低了模型维护成本。总的来说，DeepCVA提供了第一个有效和高效的解决方案，可以在软件系统的早期自动评估SV。
2021-08-18 cs.CR cs.LG cs.SE
Shallow or Deep? An Empirical Study on Detecting Vulnerabilities using Deep Learning
深度学习（DL）技术在软件工程研究界正在兴起。越来越多的方法已经在DL模型之上被开发出来，这也是由于可用于训练这些模型的软件相关数据的空前数量。深度学习在软件工程领域的一个最新应用是自动检测软件漏洞。虽然已经开发了几种DL模型来解决这个问题，但关于它们的实际有效性仍然存在有限的经验证据，特别是当与浅层机器学习技术相比时。在本文中，我们通过使用三个漏洞数据集和五个不同的源代码表示（即，将代码提供给分类器以评估其是否易受攻击的格式）来比较两个广泛使用的基于DL的模型和一个浅机器学习模型在（i）将代码函数分类为易受攻击或非易受攻击（即，二进制分类），以及（ii）基于代码函数所包含的特定类型的脆弱性（或者“干净”，如果不存在脆弱性）来对代码函数进行分类。作为基线，我们在研究中使用了Google Cloud Platform提供的AutoML实用程序。我们的研究结果表明，实验模型仍然远远不能确保可靠的漏洞检测，并且浅学习分类器代表了最新的基于DL的模型的竞争基准。
2021-03-22 cs.SE
Patch Validation in Automated Vulnerability Repair
Northwestern University（西北大学）；University of Waterloo（滑铁卢大学）；University of New Hampshire（新罕布什尔大学）
本文提出PVBench基准测试，揭示现有自动漏洞修复系统在补丁验证中存在显著误差，指出需提升根因分析、规范遵循和开发者意图捕捉能力。
2026-03-20 cs.SE
Context-Enhanced Vulnerability Detection Based on Large Language Model
本文提出一种结合程序分析与大语言模型的上下文增强漏洞检测方法，通过多级抽象提取上下文信息，平衡细节与复杂度，实验表明该方法显著提升检测效果。
2025-04-23 cs.SE
Automated Vulnerability Detection in Source Code Using Deep Representation Learning
Draper（德雷珀实验室）；Boston University（波士顿大学）
每年都有越来越多的软件漏洞被发现，无论它们是公开报告的还是在专有代码中内部发现的。这些漏洞可能会造成严重的利用风险，并导致系统受损、信息泄露或拒绝服务。我们利用丰富的C和C++开源代码，使用机器学习开发了一个大规模的函数级漏洞检测系统。为了补充现有的标记漏洞数据集，我们编译了一个包含数百万个开源函数的庞大数据集，并使用三个不同的静态分析器精心挑选的结果进行标记，这些结果表明潜在的漏洞利用。标记的数据集可在https://osf.io/d45bw/上获得。使用这些数据集，我们开发了一个快速和可扩展的漏洞检测工具，基于深度特征表示学习，直接解释lexed源代码。我们评估了我们的工具的代码从两个真正的软件包和NIST SATE IV基准数据集。我们的研究结果表明，源代码的深度特征表示学习是一种很有前途的自动化软件漏洞检测方法。
2018-11-28 cs.AI cs.LG cs.SE
Your Instructions Are Not Always Helpful: Assessing the Efficacy of Instruction Fine-tuning for Software Vulnerability Detection
Singapore Management University（新加坡管理大学）
本文研究指令微调对软件漏洞检测模型跨编程语言泛化能力的影响，通过在真实数据集上的实验评估自然语言指令的作用，并总结关键经验与见解。
2024-01-15 cs.AI cs.SE
Can An Old Fashioned Feature Extraction and A Light-weight Model Improve Vulnerability Type Identification Performance?
本研究针对漏洞类型识别问题，提出一种基于传统TF-IDF基线方法并引入轻量级独立组件以优化预测的方案，在保持高效率的同时性能优于深度预训练模型，并能显著提升神经网络方法的宏平均F1分数。
2023-06-26 cs.SE
Boosting Vulnerability Detection with Inter-function Multilateral Association Insights
针对现有深度学习漏洞检测忽略函数间多边关联的问题，提出IFMA-VD框架，通过构建代码行为超图并利用超边卷积提取多边关联特征，有效提升了漏洞检测的F-measure和Recall。
2025-06-26 cs.SE
Revisiting the Performance of Deep Learning-Based Vulnerability Detection on Realistic Datasets
University of Waterloo（滑铁卢大学）
本文构建真实场景漏洞数据集Real-Vul，评估四种深度学习漏洞检测模型，揭示其在实际代码库中精确率和F1分数大幅下降，并针对过拟合问题提出数据增强方法，最多可提升30%性能。
2024-07-03 cs.AI cs.CR cs.LG
Cross-Domain Evaluation of Transformer-Based Vulnerability Detection on Open & Industry Data
Free University of Bozen-Bolzano（博尔扎诺自由大学）；Würth Phoenix（伍尔特凤凰）
本文评估了基于变换器的漏洞检测模型在不同数据集上的表现，开发了集成到CI/CD中的推荐系统以提升漏洞检测效率。
2025-09-11 cs.SE
Towards Deep Learning Enabled Cybersecurity Risk Assessment for Microservice Architectures
针对微服务架构安全风险评估效率低的问题，提出基于深度学习自然语言处理模型的CyberWise Predictor框架，通过分析漏洞描述预测漏洞指标，在自动预测新漏洞指标上达92%平均准确率，助力开发者识别和缓解安全风险。
2024-03-22 cs.SE
VulCurator: A Vulnerability-Fixing Commit Detector
Singapore Management University（新加坡管理大学）；University of Melbourne（墨尔本大学）
开源软件（OSS）漏洞管理过程是当今重要的，因为随着时间的推移，发现的OSS漏洞的数量正在增加。监控可修复性提交是防止漏洞利用的标准流程的一部分。然而，手动检测修复提交是非常耗时的，因为可能有大量的提交需要审查。最近，已经提出了许多技术来使用机器学习来自动检测可修复性提交。这些解决方案要么：（1）没有使用深度学习，要么（2）只在有限的信息源上使用深度学习。本文提出了VulCurator，这是一种利用深度学习更丰富信息源的工具，包括提交消息、代码更改和问题报告，用于修复提交分类的可扩展性。我们的实验结果表明，VulCurator在F1分数方面优于最先进的基线高达16.1%。VulCurator工具可在https://github.com/ntgiang71096/VFDetector和https：//zenodo.org/record/7034132#.Yw3MN-xBzDI上公开获得，演示视频可在https://youtu.be/uMlFmWSJYOE上获得。
2022-09-07 cs.AI cs.CR cs.SE
Optimizing Code Embeddings and ML Classifiers for Python Source Code Vulnerability Detection
本研究针对Python源代码漏洞检测，评估了Word2Vec、CodeBERT和GraphCodeBERT三种代码嵌入与BiLSTM、CNN两种分类器的组合，发现Word2Vec与BiLSTM组合表现最优，强调了嵌入与分类器合理搭配对提升检测有效性的关键作用。
2025-09-16 cs.SE
SafePyScript: A Web-Based Solution for Machine Learning-Driven Vulnerability Detection in Python
针对当前缺乏易用的Python源代码机器学习漏洞检测Web工具的问题，研究提出了SafePyScript这款专门的Web应用，填补了相关空白，可帮助Python开发者保障应用安全。
2024-11-01 cs.SE
Dataflow Analysis-Inspired Deep Learning for Efficient Vulnerability Detection
Iowa State University（爱荷华州立大学）
本文提出受数据流分析启发的图学习框架 DeepDFA，通过模拟数据流计算实现高效漏洞检测，并结合 LLM 在 Big-Vul 上达到新的最优性能。
2023-10-01 cs.CR cs.LG cs.SE
Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation
IBM Research（IBM研究院）
识别易受攻击的代码是应对软件安全漏洞的预防措施。构建静态分析器已经花费了专家们冗长的精力，但是不安全的模式几乎没有被完全列举出来。本文探索了一种深度学习的方法，从代码语料库中自动学习不安全的模式。由于代码自然承认图结构与解析，我们开发了一种新的图神经网络（GNN），利用语义上下文和结构规律的程序，以提高预测性能。与通用GNN相比，我们的增强功能包括从程序的几个解析图中学习到的多个表示的合成，以及利用标记的细粒度的新训练损失度量。我们的模型在两个真实世界的数据集上优于多种基于文本、图像和图形的方法。
2021-09-07 cs.AI cs.SE
Automated Vulnerability Detection Using Deep Learning Technique
National Taiwan University（国立台湾大学）；National Yang Ming Chiao Tung University（阳明交通大学）
本文提出结合 CodeBERT 向量表示与 LSTM 的深度学习方法，用于自动检测 Python 代码中的 SQL 注入漏洞，性能优于现有 SAST 工具。
2024-10-29 cs.AI cs.CR cs.SE
DiverseVul: A New Vulnerable Source Code Dataset for Deep Learning Based Vulnerability Detection
University of Maryland（马里兰大学）；UC Berkeley（加州大学伯克利分校）；King Abdulaziz City for Science and Technology（阿卜杜勒阿齐兹国王科技城）；Google Deepmind（谷歌DeepMind）
本文发布包含18,945个漏洞函数和330,492个非漏洞函数的DiverseVul数据集，并通过11种模型实验表明深度学习在漏洞检测上仍面临高假阳性、低F1和泛化困难等挑战，同时指出LLM和源代码特定预训练是更有前景的方向。
2023-08-09 cs.AI cs.CR cs.LG
It Only Gets Worse: Revisiting DL-Based Vulnerability Detectors from a Practical Perspective
本文提出VulTegra评估框架，多维度对比基于DL的漏洞检测器，揭示SOTA模型在一致性、现实能力等方面的局限，并发现调整特定关键因素可显著提升检测召回率和F1分数。
2025-07-13 cs.SE
An Empirical Study of Deep Learning Models for Vulnerability Detection
Iowa State University（爱荷华州立大学）
代码的深度学习（DL）模型最近在漏洞检测方面取得了巨大进展。在某些情况下，基于DL的模型优于静态分析工具。虽然已经提出了许多伟大的模型，但我们还没有很好地理解这些模型。这限制了模型鲁棒性的进一步提高，调试和部署的漏洞检测。在本文中，我们在两个广泛使用的漏洞检测数据集Devign和MSR上调查和复制了9个最先进的（SOTA）深度学习模型。我们研究了三个方面的6个研究问题，即模型能力，训练数据和模型解释。我们通过实验证明了模型不同运行之间的变异性以及不同模型输出之间的低一致性。我们研究了针对特定类型的漏洞训练的模型，并与同时针对所有漏洞训练的模型进行了比较。我们探讨了DL可能认为“难以”处理的程序类型。我们研究了训练数据大小和训练数据组成与模型性能的关系。最后，我们研究了模型解释，并分析了模型用于预测的重要特征。我们相信，我们的研究结果可以帮助更好地理解模型的结果，提供指导准备训练数据，并提高模型的鲁棒性。我们所有的数据集、代码和结果都可以在https://doi.org/10.6084/m9.figshare.20791240上找到。
2023-02-12 cs.CR cs.LG cs.SE
VulWeaver: Weaving Broken Semantics for Grounded Vulnerability Detection
Huawei Technologies Co., Ltd.（华为技术有限公司）
VulWeaver通过整合确定性规则与LLM语义推理构建增强依赖图，提取完整漏洞上下文，利用元提示和专家指南提升LLM推理能力，实验显示其在PrimeVul4J数据集上F1得分达0.75，优于现有方法。
2026-09-03 cs.SE
Characterising Contributions that Coincide with Vulnerability Mitigation in NPM Libraries
本文通过混合方法实证研究 554 条漏洞公告影响的 NPM GitHub 项目，挖掘 4,699 个同期 PR 与 Issue，以刻画其对漏洞缓解延迟的影响。
2024-06-17 cs.SE
DLAP: A Deep Learning Augmented Large Language Model Prompting Framework for Software Vulnerability Detection
针对深度学习模型泛化性差、缺乏可解释性以及大语言模型漏洞检测性能不足的问题，本文提出DLAP框架，融合两者优势，实验证明其在多个指标上优于现有提示与微调方法。
2024-05-02 cs.CR cs.SE
VUDENC: Vulnerability Detection with Deep Learning on a Natural Codebase for Python
Humboldt-Universität zu Berlin（柏林洪堡大学）；University of Paderborn（帕德博恩大学）；University of Bern（伯尔尼大学）
识别潜在的易受攻击的代码对于提高我们软件系统的安全性非常重要。然而，软件漏洞的手动检测需要专业知识并且是耗时的，并且必须由自动化技术支持。目的：这种自动化漏洞检测技术应该实现高准确性，将开发人员直接指向易受攻击的代码片段，扩展到真实世界的软件，跨特定软件项目的边界进行概括，并且不需要或仅需要适度的设置或配置工作。方法：在本文中，我们将介绍VUDENC（Vulnerability Detection with深度学习on a Natural Codebase），这是一个基于深度学习的漏洞检测工具，可以自动从大型真实Python代码库中学习易受攻击代码的特征。VUDENC应用word 2 vec模型来识别语义相似的代码标记并提供矢量表示。然后，使用长短期记忆单元（LSTM）网络对易受攻击的代码令牌序列进行细粒度分类，突出显示源代码中可能包含漏洞的特定区域，并为其预测提供置信度。结果如下：为了评估VUDENC，我们使用了来自不同GitHub存储库的1，009个可修复性提交，这些存储库包含七种不同类型的漏洞（SQL注入，XSS，命令注入，XSRF，远程代码执行，路径泄露，Open重定向）用于培训。在实验评测中，VUDENC的召回率为78%-87%，准确率为82%-96%，F1评分为80%-90%。VUDENC的代码、漏洞的数据集和word 2 vec模型的Python语料库都可以复制。结论…
2022-01-20 cs.CR cs.LG cs.SE
VulDetectBench: Evaluating the Deep Capability of Vulnerability Detection with Large Language Models
Institute of BigData, Fudan University（复旦大学大数据研究院）；School of Computer Science, Fudan University（复旦大学计算机科学学院）；School of Computer Science, Huazhong University of Science and Technology（华中科技大学计算机科学学院）；Purple Mountain Laboratories（紫金山实验室）；School of Software Engineering, Huazhong University of Science and Technology（华中科技大学软件学院）
本文提出VulDetectBench基准，通过五个递增难度任务评估17个LLM在漏洞识别、分类与定位上的能力，发现现有模型在精细分析任务上准确率不足30%，为漏洞检测研究提供基础。
2024-08-21 cs.AI cs.CR cs.SE
Meta-Path Based Attentional Graph Learning Model for Vulnerability Detection
针对代码结构图异构关系和长程依赖建模不足的问题，本文提出MAGNET，利用多粒度元路径图与分层注意力GNN提升漏洞检测性能。
2023-12-11 cs.SE
A Preliminary Study of Large Language Models for Multilingual Vulnerability Detection
本文评估 PLM 与先进 LLM 在七种编程语言上的漏洞检测能力，发现 CodeT5P 表现最佳，并为跨语言检测研究与部署提供启示。
2025-05-12 cs.SE
VFDelta: A Framework for Detecting Silent Vulnerability Fixes by Enhancing Code Change Learning
提出VFDelta框架，通过独立模型嵌入变更前后代码并执行逐元素减法以捕获细粒度变更，联合训练嵌入与分类模型，在静默漏洞修复检测中显著优于现有方法。
2024-09-25 cs.SE
Machine Learning Techniques for Python Source Code Vulnerability Detection
University of Passau（帕绍大学）
本研究针对Python源代码漏洞检测问题，对比应用多种机器学习算法，最终提出的BiLSTM模型取得优异性能，建立了该领域的新基准。
2024-04-15 cs.AI cs.SE
LLMVul: A Vulnerability-Labeled Dataset of LLM-Generated C/C++ Functions from Real Production Repositories
School of Computing \& Informatics \ of Louisiana at Lafayette Lafayette LA USA；School of Computing \& Informatics \ of Louisiana at Lafayette
LLMVul从真实生产仓库中挖掘并标注了21,430个LLM生成的C/C++函数，识别出1,540个易受攻击函数，涵盖17个CWE类别，为漏洞检测和安全评估提供了大规模真实数据。
2026-09-11 cs.SE
MVD: Memory-Related Vulnerability Detection Based on Flow-Sensitive Graph Neural Networks
与内存相关的漏洞对现代软件的安全构成了严重威胁。尽管基于深度学习的通用漏洞检测方法取得了成功，但在应用于检测内存相关漏洞时，它们仍然受到流信息利用不足的限制，导致高误报。本文提出了一种基于流敏感图神经网络（FS-GNN）的语句级内存相关漏洞检测方法MVD。采用FS-GNN来联合嵌入非结构化信息（即，源代码）和结构化信息（即，控制流和数据流）来捕获隐式存储器相关的漏洞模式。我们在包含4，353个真实内存相关漏洞的数据集上评估MVD，并将我们的方法与三种最先进的基于深度学习的方法以及五种流行的基于静态分析的内存检测器进行比较。实验结果表明，MVD具有更好的检测精度，优于基于DL和基于静态分析的方法。此外，MVD在准确性和效率之间做出了很大的权衡。
2022-03-05 cs.CR cs.SE
When Labels Are Scarce: A Systematic Mapping of Label-Efficient Code Vulnerability Detection
Paris Cité university（巴黎西岱大学）；CDC Informatique（CDC信息科学部）
本文系统性地映射了减少对人工标签依赖的代码漏洞检测方法，综合了五种范式家族及其机制，并提出了设计图和约束优先决策指南以指导实际应用。
2026-03-31 cs.CR cs.SE
A Systematic Study on Generating Web Vulnerability Proof-of-Concepts Using Large Language Models
Tianjin University（天津大学）；Nanyang Technological University（南洋理工大学）；Nankai University（南开大学）
本文首次系统研究了利用大型语言模型结合公开披露信息生成Web漏洞概念证明（PoC）的可行性，发现补充代码上下文与自适应推理策略能将成功率最高提升至72%。
2025-10-11 cs.SE
Evaluating Large Language Models for Multilingual Vulnerability Detection at Dual Granularities
Tianjin University（天津大学）；Kyushu University（九州大学）；The University of Melbourne（墨尔本大学）；Monash University（蒙纳士大学）
本研究评估了大型语言模型在多语言漏洞检测中的性能，发现GPT-4o在函数级和行级检测中表现优异，优于其他模型。
2026-03-10 cs.SE
One-for-All Does Not Work! Enhancing Vulnerability Detection by Mixture-of-Experts (MoE)
针对“一刀切”漏洞检测模型性能欠佳的问题，提出采用混合专家（MoE）框架的MoEVD方法，将任务分解为CWE类型分类和特定检测，显著提升F1分数及长尾漏洞检测性能。
2025-02-12 cs.SE
SeqTrans: Automatic Vulnerability Fix via Sequence to Sequence Learning
由于最近自动化漏洞搜索工具的发展，软件漏洞现在以前所未有的速度被报告。然而，修复漏洞仍然主要依赖于程序员的手动努力。开发人员需要深入了解漏洞，尽量少影响系统的功能。在本文中，随着神经机器翻译（NMT）技术的进步，我们提供了一种新的方法，称为SeqTrans利用历史漏洞修复提供建议，并自动修复源代码。为了捕获易受攻击代码周围的上下文信息，我们建议利用数据流依赖关系来构建代码序列，并将其输入到最先进的Transformer模型中。微调策略已被引入，以克服小样本问题。我们在一个包含1,282个提交的数据集上评估了SeqTrans，这些提交修复了205个Java项目中的624个漏洞。结果表明，SeqTrans的准确率优于最新技术，在语句级修复中达到23.3%，在CVE级修复中达到25.3%。与此同时，我们深入研究了结果，并观察到NMT模型在某些类型的漏洞（如CWE-287（不正确的身份验证）和CWE-863（不正确的授权））中表现得非常好。
2022-03-22 cs.CR cs.SE
SHERLOCK: A Deep Learning Approach To Detect Software Vulnerabilities
Informatics Institute of Technology（信息学技术学院）；University of Westminster（威斯敏斯特大学）
本研究提出了一种基于深度学习的软件漏洞检测方法，利用卷积神经网络（CNN）对源代码进行分析，以提高检测多个漏洞的准确性，特别是在CWE-199、CWE-120和CWE-Other方面表现突出，但因缺乏标准化数据集而存在改进空间。
2025-12-14 cs.CR cs.SE
From Lab to Reality: A Practical Evaluation of Deep Learning Models and LLMs for Vulnerability Detection
DistriNet Group-T, KU Leuven（DistriNet集团-T，根特大学）
系统评估深度学习模型和大型语言模型在真实世界漏洞检测中的表现，发现它们在分布外数据集上性能急剧下降，揭示了学术基准与现实部署之间的差距。
2026-11-05 cs.CR cs.LG cs.SE
Towards Causal Deep Learning for Vulnerability Detection
Iowa State University（爱荷华州立大学）；Columbia University（哥伦比亚大学）；Microsoft Research（微软研究院）
本文提出CausalVul方法，通过扰动发现虚假特征并结合do演算因果学习，在深度学习漏洞检测中提升模型准确率、鲁棒性与分布外泛化能力。
2024-01-15 cs.CR cs.LG cs.SE
Retrieve, Reproduce, Reveal: Dissecting Retrieval-Augmented Software Vulnerability Detection
Esslingen University（埃斯林根应用技术大学）；University of Tübingen（图宾根大学）
本研究通过复现六个开源RAG4SVD系统、建立统一基准并进行组件级分析，揭示检索增强漏洞检测的可复现性与性能依赖问题，强调需在流水线组件层面进行评估。
2026-09-30 cs.AI cs.SE
EaTVul: ChatGPT-based Evasion Attack Against Software Vulnerability Detection
CSIRO’s Data61（联邦科学与工业研究组织Data61）；Swinburne University of Technology（斯威本科技大学）；DST Group, Australia（澳大利亚国防科学与技术集团）
本文提出EaTVul方法，结合支持向量机、注意力机制、ChatGPT与模糊遗传算法生成对抗样本，对软件漏洞检测模型实施规避攻击，实验证明其在特定条件下攻击成功率可达100%，凸显了加强防御的必要性。
2024-07-27 cs.AI cs.CR cs.SE
Vulnerability Detection with Fine-grained Interpretations
尽管基于机器学习（ML）和深度学习（DL）的漏洞检测器（VD）取得了成功，但它们仅限于提供关于给定代码是否易受攻击的决策，而没有关于代码的哪一部分与检测到的漏洞相关的细节。我们提出了IVDetect一个可解释的漏洞检测器，其理念是使用人工智能（AI）来检测漏洞，同时使用智能助手（IA）通过提供VD解释易受攻击的语句。对于漏洞检测，我们通过数据和控制依赖分别考虑易受攻击的语句及其周围的上下文。这使得我们的模型更好地区分易受攻击的语句，而不是像现有方法那样使用易受攻击的代码和上下文代码的混合。除了粗粒度的漏洞检测结果外，我们还利用可解释的AI为用户提供细粒度的解释，包括程序依赖图（PDG）中的子图，以及与检测到的漏洞相关的关键语句。我们对漏洞数据库的实证评估表明，IVDetect在nDCG和MAP排名前10位的得分上比现有的基于DL的方法高出43%-84%和105%-255%。IVDetect通过其解释正确地指出了与漏洞相关的易受攻击的陈述-在67%的情况下排名前5位。它比基线解释模型的准确性提高了12.3%-400%和9%-400%。
2021-06-19 cs.CR cs.SE
Improving Smart Contract Security with Contrastive Learning-based Vulnerability Detection
针对智能合约漏洞检测中忽略合约间相关性的问题，提出对比学习增强方法Clear，通过捕获合约间细粒度相关性并结合语义信息，在4万+合约数据集上F1分数较现有深度学习方法提升9.73%-39.99%。
2024-04-27 cs.CR cs.SE
APPATCH: Automated Adaptive Prompting Large Language Models for Real-World Software Vulnerability Patching
本文提出基于LLM的自动化漏洞补丁系统APPATCH，通过漏洞语义推理和自适应提示技术，在无需测试输入和模型微调的情况下生成补丁，在多个漏洞数据集上表现优于现有方法。
2025-04-02 cs.CR cs.SE
VulCatch: Enhancing Binary Vulnerability Detection through CodeT5 Decompilation and KAN Advanced Feature Extraction
Beijing Institute of Technology（北京理工大学）；Beihang University（北京航空航天大学）；American University of Nigeria（尼日利亚美国大学）
针对现有深度学习二进制漏洞检测依赖源代码、未知漏洞检测能力受限的问题，提出VulCatch框架，结合CodeT5反编译、KAN特征提取及多种深度学习模块，在7个CVE数据集上实现高准确率与低误漏报率。
2024-08-13 cs.AI cs.CR cs.LG
An Empirical Study of the Imbalance Issue in Software Vulnerability Detection
ITIS, Luxembourg Institute of Science and Technology（卢森堡科学与技术研究所）；SnT, University of Luxembourg（卢森堡大学）
本文通过实证研究发现，软件漏洞检测中不平衡问题影响模型性能，聚焦损失、类平衡损失和随机过采样在不同指标上各有优势，但无一能全面优化。
2026-02-12 cs.AI cs.SE
On the Use of Fine-grained Vulnerable Code Statements for Software Vulnerability Assessment Models
The University of Adelaide（阿德莱德大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
许多研究已经开发了机器学习（ML）方法来检测函数中的软件漏洞（SV）和导致此类SV的细粒度代码语句。然而，利用这些检测输出进行数据驱动的SV评估以提供有关SV的可利用性、影响和严重性的信息的工作很少。这些信息对于了解SV并确定其修复的优先级非常重要。使用来自200个真实项目中429个SV的1，782个功能的大规模数据，我们研究了用于自动化功能级SV评估任务的ML模型，即，预测七个通用漏洞评分系统（CVSS）指标。我们特别研究的价值和使用的脆弱的报表作为输入开发的评估模型，因为SV的功能起源于这些报表。我们发现，脆弱的报表是5.8倍小的大小，但表现出7.5-114.5%的评估性能（马修斯相关系数（MCC））比非脆弱的报表。消除易受攻击语句的上下文进一步提高了性能，最高可达8.9%（0.64 MCC和0.75 F1-Score）。总的来说，我们提供了初步的但有前途的ML为基础的基线功能级SV评估，铺平了道路，在这个方向上的进一步研究。
2022-03-16 cs.CR cs.LG cs.SE
An Initial Exploration of Fine-tuning Small Language Models for Smart Contract Reentrancy Vulnerability Detection
Centre for DLT, University of Malta（马耳他大学DLT中心）；Department of Computer Science, University of Malta（马耳他大学计算机科学系）
本文探索微调小型语言模型以检测Solidity智能合约中的重入漏洞，评估其在开发者计算机上运行的可行性，并验证其在该特定任务上的有效性。
2025-05-25 cs.AI cs.ET cs.LG
Automated Vulnerability Injection in Smart Contracts Using Large Language Models
Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）；Gran Sasso Science Institute (GSSI)（格兰萨索科学研究所）；University of Coimbra（科英布拉大学）；College of Computing and Informatics, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算与信息学院）
研究针对智能合约漏洞检测数据集稀缺问题，提出用大语言模型自动注入漏洞的方法，生成32个有效漏洞合约，评估了静态分析器并验证了该方法的可行性与局限性。
2026-09-03 cs.AI cs.CR cs.SE
Unsupervised Binary Code Translation with Application to Code Similarity Detection and Vulnerability Discovery
本文提出将神经机器翻译技术用于跨架构二进制代码翻译，实现低资源ISA到高资源ISA的转换，并通过UNSUPERBINTRANS模型在代码相似性检测和漏洞发现任务中取得高准确率。
2024-04-29 cs.CR cs.SE
LLM4Vuln: A Unified Evaluation Framework for Decoupling and Enhancing LLMs' Vulnerability Reasoning
Nanyang Technological University, Singapore（南洋理工大学）；The Hong Kong University of Science（香港科学与技术大学）；MetaTrust Labs（MetaTrust实验室）；Singapore Management University, Singapore（新加坡管理学院）；University of Oregon, Eugene, OR, USA（俄勒冈大学）
本文提出LLM4Vuln框架与UniVul基准，通过3,528个受控场景解耦并评估六款LLM的漏洞推理能力，揭示各类增强手段的影响并发现14个零日漏洞。
2025-06-07 cs.AI cs.CR cs.SE
On the Effectiveness of Function-Level Vulnerability Detectors for Inter-Procedural Vulnerabilities
针对函数级深度学习漏洞检测器难以覆盖跨函数成因的问题，本文构建InterPVD数据集并提出VulTrigger，证实过程间漏洞普遍且现有检测器对其待修补函数的检测效果明显较弱。
2024-01-20 cs.CR cs.SE
Predicting Vulnerability In Large Codebases With Deep Code Representation
Cisco Systems（思科系统公司）
目前，当软件工程师为各种模块编写代码时，经常会引入各种类型的错误-编码，逻辑，语义和其他（其中大多数不会被编译和其他工具捕获）。其中一些bug可能会在测试的后期发现，很多时候客户会在生产代码中报告。公司不得不花费大量的资源，包括金钱和时间来寻找和修复错误，如果编码正确，这些错误本可以避免。此外，软件中隐藏的缺陷可能导致安全漏洞，从而可能使攻击者危及系统和应用程序。有趣的是，过去修复过的相同或相似的问题/错误（尽管在不同的模块中）往往会再次引入生产代码。我们开发了一个新的基于人工智能的系统，它使用从源代码创建的抽象树（AST）的深度表示以及主动反馈循环来识别和警告可能在开发本身时引起的潜在错误，即开发人员正在编写新代码（逻辑和/或函数）。这个工具与IDE集成为一个插件将在后台工作，指出现有的类似功能/代码段和这些功能中的任何相关错误。该工具将使开发人员能够在开发时就纳入建议，而不是等待UT/QA/客户提出缺陷。我们评估了我们的工具上的开源代码和思科代码库的C和C++编程语言。我们的研究结果证实，源代码的深度表示和主动反馈循环是预测代码中存在的安全性和其他漏洞的可靠方法。
2020-04-24 cs.LG cs.SE
LineVD: Statement-level Vulnerability Detection using Graph Neural Networks
当前基于机器学习的软件漏洞检测方法主要是在功能级进行的。但是，这些方法的一个关键限制是，它们没有指出导致漏洞的特定代码行。这限制了开发人员有效检查和解释学习模型预测的能力，这对于将基于机器学习的工具集成到软件开发工作流程中至关重要。基于图的模型在函数级漏洞检测方面表现出了良好的性能，但它们在语句级漏洞检测方面的能力还没有得到广泛的研究。虽然通过可解释的人工智能解释功能级预测是一个有前途的方向，但我们在本文中从完全监督学习的角度考虑语句级软件漏洞检测任务。我们提出了一个新的深度学习框架LineVD，它将语句级漏洞检测制定为节点分类任务。LineVD利用使用图神经网络的语句之间的控制和数据依赖性，以及基于转换器的模型来编码原始源代码令牌。特别是，通过解决函数级和语句级信息之间的冲突输出，LineVD显着提高了预测性能，而没有函数代码的漏洞状态。我们已经对从多个真实世界项目中获得的真实世界C/C++漏洞的大规模集合进行了广泛的实验，并证明F1分数比当前最先进的水平增加了105%。
2022-03-25 cs.CR cs.SE
