Position: Current Benchmarking Hinders Real Progress in Deep Learning for Time Series Forecasting
University of Cambridge(剑桥大学)
本文指出当前基准测试实践未能识别影响性能的关键设计因素,尤其是全局性与局部性等被忽视的方面对预测方法类别和实验结果有重大影响,并提出辅助预测模型卡以改进架构比较。
2026-05-30 cs.LG
Modeling Sparse and Bursty Vulnerability Sightings: Forecasting Under Data Constraints
Computer Incident Response Center Luxembourg(卢森堡计算机事件响应中心)
本文探讨在数据限制下利用漏洞发现活动进行时间序列预测的可行性,通过SARIMAX和Poisson回归等方法评估预测效果,并提出适用于稀疏突发性事件的计数方法。
2026-04-17 cs.CR
Challenges in Forecasting Malicious Events from Incomplete Data
University of Southern California(南加州大学);Information Sciences Institute(信息科学研究所)
准确预测网络攻击的能力将使组织能够减轻其日益增长的威胁,并避免其造成的财务损失和中断。但网络攻击的可预测性如何?研究人员试图将外部数据(从漏洞披露到Twitter和暗网上的讨论)与机器学习算法相结合,以了解即将发生的网络攻击的指标。然而,成功的网络攻击只占所有攻击企图的一小部分:绝大多数都被目标部署的安全设备阻止或过滤。正如我们在本文中所展示的那样,过滤过程降低了网络攻击的可预测性。与整个数据相比,少数确实穿透目标防御的攻击遵循不同的生成过程,这对于预测模型来说要难得多。这可能是由于产生的时间序列除了原始时间序列所依赖的所有不同因素外,还取决于过滤过程。我们根据经验量化了由于使用来自两个组织的真实数据进行过滤而导致的可预测性损失。我们的工作确定了从高度过滤的数据中预测网络攻击的局限性。
2020-04-06 cs.CR cs.LG stat.ML
Forecast Evaluation for Data Scientists: Common Pitfalls and Best Practices
RMIT University(皇家墨尔本理工大学);Monash University(莫纳什大学)
机器学习(ML)和深度学习(DL)方法在涉及重要决策活动的许多领域中越来越多地取代传统方法。为特定任务(如图像识别、信号处理或语音分析)量身定制的DL技术正在以快速的步伐引入,并进行了许多改进。然而,对于预测领域,ML社区的当前状态可能是几年前自然语言处理和计算机视觉等其他领域的状态。预测领域主要是由统计学家/计量经济学家培育的;因此,相关概念并不是一般ML从业者的主流知识。与时间序列相关的不同非平稳性挑战了数据驱动的ML模型。然而,该领域的最新趋势表明,随着大量时间序列的可用性,ML技术在正确处理相关陷阱时,在预测方面非常胜任。因此,在这项工作中,我们提供了一个教程般的汇编的细节之一,在整个预测过程中,最重要的步骤,即评估。通过这种方式,我们打算传授预测评估的信息,以适应ML的背景,作为弥合传统预测方法和最先进的ML技术之间的知识差距的手段。我们详细说明了不同的问题特性的时间序列,如非平稳性和非平稳性,以及它们是如何与预测评估中的常见陷阱。预测评估的最佳实践概述了不同的步骤,如数据划分,误差计算,统计测试,和其他。还提供了进一步的指导方针,根据手头数据集的具体特征选择有效和合适的误差度量。
2022-04-04 cs.LG stat.ME
Temporally Unified Adversarial Perturbations for Time Series Forecasting
本文提出时间统一对抗扰动方法,通过时间一致性约束和梯度累积方法提升时间序列预测模型的对抗攻击效果。
2026-02-12 cs.LG
Forecasting Anonymized Electricity Load Profiles
University of Luxembourg(卢森堡大学);Enovos Luxembourg S.A.(恩诺沃斯卢森堡股份公司)
针对GDPR下电力负荷曲线需匿名化的需求,研究发现微聚合匿名技术在预测聚合负荷时对精度影响极小,可在保障隐私的同时维持智能计量应用效用。
2025-01-08 cs.AI cs.CR cs.LG
Deep Learning for Energy Time-Series Analysis and Forecasting
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学)
本文探讨了旨在提升能源时间序列预测任务性能的各种深度学习方法,重点关注希腊能源市场,并为读者提供实践应用所需知识。
2023-06-29 cs.LG
From Heuristics to Analytics: Forecasting Effort and Progress in Online Learning
Cornell University(康奈尔大学);Carnegie Mellon University(卡内基梅隆大学)
本文通过ITS日志数据,利用监督学习方法预测学生每周练习时间和掌握新技能情况,展示基于特征的模型在降低MAE方面优于启发式基线,同时分析了预测特征的重要性,为 tutor-learner 目标设定提供支持。
2026-05-12 cs.CY cs.LG
Graph Deep Learning for Time Series Forecasting
Università della Svizzera italiana(瑞士大学);IDSIA(智能系统与人工智能研究所);Politecnico di Milano(米兰理工大学)
本文系统梳理了图深度学习用于时间序列预测的方法论框架,形式化预测问题并提出基于图的预测器设计原则、性能评估方法及未来研究方向。
2025-06-06 cs.AI cs.LG
Forecasting: theory and practice
University of Bath(巴斯大学);Politecnico di Torino(都灵理工大学);National Technical University of Athens(雅典国立技术大学);Kedge Business School(凯致商学院);University of Birmingham(伯明翰大学);Université de Mons (UMONS)(蒙斯大学);Monash University(莫纳什大学);INESC TEC – Institute for Systems and Computer Engineering, Technology and Science(INESC TEC – 系统与计算机工程、技术和科学研究所);University of Southampton(南安普敦大学);Lancaster University(兰卡斯特大学);University of Glasgow(格拉斯哥大学);University of Brescia(布雷西亚大学);Magdalen College, University of Oxford(牛津大学玛格达伦学院);ZHAW School of Management and Law, Zurich University of Applied Sciences(苏黎世应用科技大学管理与法律学院);University of Reading(雷丁大学);Universidade do Algarve(阿尔加维大学)
预测一直处于决策和规划的最前沿。围绕未来的不确定性既令人兴奋又具有挑战性,个人和组织都在寻求最小化风险和最大化效用。大量的预测应用需要一套不同的预测方法来应对现实生活中的挑战。本文对预测的理论和实践进行了非系统的回顾。我们提供了一个广泛的理论,最先进的模型,方法,原则和方法的概述,以准备,生产,组织和评估预测。然后,我们将展示如何将这些理论概念应用于各种现实生活中。我们并不认为这篇综述是一份详尽的方法和应用清单。然而,我们希望我们的专题介绍将为过去几十年来开展的丰富工作提供一个参考点,并为预测理论和实践的未来提供一些关键见解。鉴于其非线性的性质,预期的阅读模式是非线性的。我们提供交叉引用,让读者浏览各种主题。我们补充了大量免费或开源软件实现和公共数据库所涵盖的理论概念和应用程序。
2022-01-05 cs.LG econ.EM stat.AP
The intersection of machine learning with forecasting and optimisation: theory and applications
预测和优化是运筹学的两个主要领域,在实践中得到了广泛的应用。这些方法以几种方式促进了彼此的增长。然而,这两个领域之间的关系的性质和整合它们还没有得到足够的探索或理解。我们主张这两个领域的整合,并探讨了几个问题,需要预测和优化来处理的不确定性。我们进一步研究了机器学习与预测和优化的交叉点上的一些方法,以解决现实世界的问题。最后,我们提供了几个研究方向,为那些有兴趣在这个领域工作。
2022-11-24 cs.LG math.OC stat.ME
Informed Forecasting: Leveraging Auxiliary Knowledge to Boost LLM Performance on Time Series Forecasting
Texas A&M University(德克萨斯A&M大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出跨域知识迁移框架,将结构化时间信息注入大语言模型以提升时间序列预测的准确性和泛化能力,实验证明其显著优于无辅助信息的基线。
2025-09-25 cs.LG stat.AP
RobustTSF: Towards Theory and Design of Robust Time Series Forecasting with Anomalies
University of California, Santa Cruz(加州大学圣克鲁兹分校);Alibaba Group(阿里巴巴集团)
本文针对含异常时间序列的鲁棒预测问题,定义了三种异常类型,分析损失与样本鲁棒性,提出简单高效算法,实验证明其优于现有方法。
2024-02-03 cs.LG
There are no Champions in Supervised Long-Term Time Series Forecasting
University of Bern(伯尔尼大学);Bern University Hospital(伯尔尼大学医院)
本文通过评估监督长期时间序列预测模型,发现实验设置和评估指标的变化会影响模型性能的判断,强调需改进基准测试实践以提升结果的可靠性。
2026-01-09 cs.AI cs.LG
Selective Learning for Deep Time Series Forecasting
State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所人工智能安全国家重点实验室);University of Chinese Academy of Sciences(中国科学院大学);Department of Automation, Tsinghua University(清华大学自动化系)
针对深度时间序列预测中因统一优化所有时间步导致的过拟合问题,提出含双掩码机制的选择性学习策略,筛选泛化性时间步优化,在8个数据集上显著提升多个主流模型预测性能。
2025-10-29 cs.LG
EEO-TFV: Escape-Explore Optimizer for Web-Scale Time-Series Forecasting and Vision Analysis
School of Computer and Artificial Intelligence, Ludong University(计算机与人工智能学院,鲁东大学);School of Computer Science and Technology, Shandong Technology and Business University(计算机科学与技术学院,山东技术与商务大学)
EEO-TFV通过轻量级Transformer架构与逃逸-探索优化器,提升网络级时间序列预测和视觉分析的性能与泛化能力。
2026-01-30 cs.AI cs.CV cs.LG
Deep-Learning-Based, Multi-Timescale Load Forecasting in Buildings: Opportunities and Challenges from Research to Deployment
National Renewable Energy Laboratory(国家可再生能源实验室)
随着分布式能源的普及,建筑物和校园的电力负荷预测变得越来越重要。DER的高效运行和调度需要对未来能源消耗进行合理准确的预测,以便对现场发电和存储资产进行近实时的优化调度。电力公司传统上对跨越大的地理区域的负载区进行负载预测,因此预测并不是建筑物和园区运营商的常见做法。考虑到网格交互式高效建筑领域的研究和原型设计的不断增长的趋势,简单算法预测精度之外的特性在确定智能建筑算法的真正效用方面非常重要。其他特征包括已部署架构的总体设计和预报系统的运行效率。在这项工作中,我们提出了一个基于深度学习的负荷预测系统,该系统可以预测未来18小时内每隔1小时的建筑负荷。我们还讨论了这些系统的实时部署相关的挑战,以及由一个功能齐全的预测系统,已在国家可再生能源实验室智能校园计划内开发的研究机会。
2021-12-17 cs.LG eess.SP
Forecasting with Deep Learning: Beyond Average of Average of Average Performance
Faculdade de Engenharia da Universidade do Porto(波尔图大学工程学院);Laboratory for Artificial Intelligence and Computer Science (LIACC)(人工智能与计算机科学实验室(LIACC));Fraunhofer Portugal AICOS(弗劳恩霍夫葡萄牙AICOS)
本研究针对现有预测模型评估仅用单一平均分数的局限,提出多视角评估单变量时间序列预测模型的框架,通过实验发现NHITS的性能优势随预测条件变化,证明了分维度评估的重要性。
2024-06-24 cs.LG stat.ML
Improving Long-Horizon Forecasts with Expectation-Biased LSTM Networks
University of Maryland(马里兰大学)
使用基于长短期记忆(LSTM)单元的递归神经网络(RNN)的最新预测方法已经显示出针对短期预测的卓越性能,例如,给定一组预测器特征,预测未来接下来几个时间步长的目标值。然而,在许多应用中,这些方法的性能随着预测范围延伸到这几个时间步长之外而衰减。本文旨在探索使用LSTM网络进行长期预测的挑战。在这里,我们说明了神经科学和能源供应管理数据集的长期预测问题。然后,我们提出了期望偏置,动态信念网络的文献激励的方法,作为一种解决方案,以提高长期预测使用LSTM。我们提出了两种LSTM架构以及两种显著优于标准实践的期望偏差方法。
2018-04-18 cs.LG stat.ML
Foundation Models for Demand Forecasting via Dual-Strategy Ensembling
University of Southern California(南加州大学);AWS Supply Chain(AWS供应链)
针对需求预测中基础模型架构僵化、分布变化下鲁棒性差的问题,提出结合层级集成与架构集成的统一框架,在多数据集上验证其能提升预测准确率与泛化性。
2025-07-29 cs.AI cs.LG
Recurrent Neural Networks for Time Series Forecasting: Current Status and Future Directions
Monash University(莫纳什大学)
循环神经网络(RNN)已经成为有竞争力的预测方法,最值得注意的是最近的M4竞赛的获胜方法。然而,ETS和ARIMA等已建立的统计模型不仅因其高准确性而受到欢迎,而且还因其强大,高效和自动化而适用于非专家用户。在这些领域,RNN还有很长的路要走。我们提出了一个广泛的实证研究和现有的RNN预测架构的开源软件框架,使我们能够制定指导方针和最佳实践。例如,我们得出结论,如果数据集中的序列具有均匀的季节模式,则RNN能够直接对季节性进行建模,否则我们建议进行去季节化步骤。与ETS和ARIMA的比较表明,实现的(半)自动RNN模型不是银弹,但在许多情况下它们是有竞争力的替代品。
2020-12-23 cs.LG cs.NE stat.ML
A Systematic Review for Transformer-based Long-term Series Forecasting
College of Applied Sciences, Shenzhen University(深圳大学应用技术学院);College of Big Data and Internet, Shenzhen Technology University(深圳技术大学大数据与互联网学院)
本文系统综述了基于Transformer的长期时间序列预测方法,梳理架构变体、数据集与评估指标,总结训练最佳实践,并展望未来研究方向。
2023-10-31 cs.AI cs.LG
Robust Consensus Clustering and its Applications for Advertising Forecasting
Yahoo Research(雅虎研究院)
共识聚类聚合分区,以便通过协调来自不同来源/执行的聚类结果来找到更好的拟合。在实际应用中,聚类任务中存在噪声和离群点,这可能会显著降低性能。为了解决这个问题,我们提出了一种新的算法-鲁棒的共识聚类,可以找到专家的意见,这往往是最小的影响所造成的偏差离群值之间的共同点。特别是,我们形式化的鲁棒一致性聚类问题作为一个约束优化问题,然后推导出一个有效的算法交替方向的乘法器(ADMM)具有严格的收敛保证。我们的方法优于基准的基线。我们将所提出的方法应用于现实世界的广告活动分割和预测任务,使用建议的共识聚类结果的基础上通过Kolmogorov-Smirnov统计计算的相似性。准确的聚类结果有助于建立广告客户档案,以便执行预测。
2022-12-27 cs.AI cs.IR cs.LG
Global Deep Forecasting with Patient-Specific Pharmacokinetics
Auton Lab School of Computer Science Carnegie Mellon University(自动化实验室计算机科学学院卡内基梅隆大学);Nixtla;Amazon(亚马逊);University of Pittsburgh Medical Center Division of Cardiac Surgery(匹兹堡大学医学中心心脏外科 division)
本文提出了一种结合患者特异性药代动力学的深度预测方法,通过混合架构和编码器提升血葡萄糖预测的准确性,实验结果显示在模拟和实际数据中均取得显著效果。
2025-12-15 cs.LG q-bio.QM
Meta-learning framework with applications to zero-shot time-series forecasting
Element AI;Mila(米拉(魁北克人工智能研究所))
元学习能否从不同的数据集中发现处理时间序列的通用方法,从而大大提高对来自不同数据集的新时间序列的泛化能力?这项工作提供了积极的证据,这使用一个广泛的元学习框架,我们表明,包括许多现有的元学习算法。我们的理论分析表明,残余连接作为一个元学习适应机制,产生一个子集的任务特定的参数的基础上,一个给定的TS输入,从而逐步扩大的表达能力的架构上的飞行。通过线性化分析示出了相同的机制,以具有最终线性层的顺序更新的解释。我们的实证结果对广泛的数据强调的重要性,成功的zero-shot单变量预测确定的元学习机制,这表明它是可行的训练一个神经网络源TS数据集和部署在不同的目标TS数据集没有再训练,导致性能至少是一样好的实践单变量预测模型。
2020-12-14 cs.LG stat.ML
FilterNet: Harnessing Frequency Filters for Time Series Forecasting
North China Institute of Computing Technology(华北计算技术研究所);State Information Center of China(中国国家信息中心);Beijing Institute of Technology(北京理工大学);Tongji University(同济大学);University of Science and Technology of China(中国科学技术大学);University of Oxford(牛津大学)
FilterNet通过可学习频率滤波器选择性通过或衰减信号分量,高效处理高频噪声并利用全频谱,在八个基准上超越现有方法。
2024-11-05 cs.AI cs.LG eess.SP
Empirical Quantitative Analysis of COVID-19 Forecasting Models
University of California, Santa Barbara(加利福尼亚大学圣巴巴拉分校);Northwestern University Feinberg School of Medicine(西北大学范伯格医学院)
2019冠状病毒病自二零二零年初以来一直是国际关注的突发公共卫生事件。可靠的预测对减少这一疾病的影响至关重要。迄今为止,已经提出了大量不同的预测模型,主要包括统计模型、分区模型和深度学习模型。然而,由于不同地区的经济和政府政策等各种不确定因素,没有一种预测模型似乎对所有情况都是最好的。本文定量分析了美国不同地区在不同预测期内对COVID-19确诊病例和死亡病例的预测,并通过不同的评估指标评估了以下三个维度(改进和变化)对预测性能的相对影响:模型选择,超参数调整和训练所需的时间序列长度。我们发现,如果一个维度带来了更高的性能增益,如果没有很好地调整,它也可能导致更严厉的性能处罚。此外,模型选择是决定预测性能的主导因素。在不同地区的所有预测任务中,它负责最大的改进和最大的性能变化。虽然从业者在实践中可能会执行更复杂的时间序列分析,但如果他们对模型选择等关键决策有足够的洞察力,他们应该能够获得合理的结果。
2021-10-01 cs.LG stat.ML
On Error Correction Neural Networks for Economic Forecasting
AIMS South Africa(南非非洲数学科学研究所);Stellenbosch University(斯泰伦博斯大学);University of Cape Town(开普敦大学);Technical University of Munich(慕尼黑工业大学);Fraunhofer Society(弗劳恩霍夫协会)
递归神经网络(RNN)更适合于从观察到的时间序列数据中学习动态系统中的非线性依赖关系。在实践中,驱动这种系统的所有外部变量都不是先验已知的,特别是在经济预测中。一类称为纠错神经网络(ECNN)的RNN被设计用于补偿丢失的输入变量。它通过在当前步骤中反馈上一步骤中产生的错误来实现这一点。ECNN通过计算适当的梯度在Python中实现,并在股票市场预测中进行测试。正如预期的那样,它执行了简单的RNN和LSTM以及其他涉及去噪预处理步骤的混合模型。后者的直觉是去噪可能导致信息丢失。
2020-06-01 cs.LG math.DS stat.ML
Visual Time Series Forecasting: An Image-driven Approach
J. P. Morgan AI Research(摩根大通AI研究院)
时间序列预测是智能体决策的基础。传统的方法依赖于统计方法来预测给定的过去数值。在实践中,最终用户通常依赖于图表和绘图等可视化来推理他们的预测。受从业者的启发,我们通过创建一个新颖的框架来重新想象这个主题,以产生视觉预测,类似于人类直观的方式。在这项工作中,我们利用深度学习的进步将时间序列预测领域扩展到视觉环境。我们将输入数据捕获为图像,并训练模型以生成后续图像。这种方法导致预测分布,而不是逐点值。我们研究了具有不同复杂程度的各种合成和真实数据集。实验结果表明,视觉预测对周期性数据是有效的,但对股票价格等不规则数据的预测效果较差。重要的是,当使用基于图像的评估指标时,我们发现所提出的视觉预测方法优于各种数值基线,包括ARIMA和我们方法的数值变化。我们展示了将基于视觉的方法纳入预测任务的好处-无论是预测的质量,以及可用于评估它们的指标。
2021-11-19 cs.CV cs.LG econ.EM
PatchRisk: Forecasting Future Vulnerability Exposure in Open-Source Dependency Networks
Augustana College(奥古纳学院)
针对开源依赖网络中的未来传递性漏洞暴露预测问题,提出防泄漏基准PatchRisk,并验证HistoryGraph特征在时间测试下显著提升AUPRC。
2026-10-22 cs.CR cs.SE
Intermittent Demand Forecasting with Renewal Processes
Amazon Web Services AI Labs(亚马逊云科技人工智能实验室);Boğaziçi University(博阿齐奇大学)
间歇性是需求预测中常见且具有挑战性的问题。我们引入了一个新的,统一的框架,建立间歇性需求预测模型,它结合并允许在几个方向概括现有的方法。我们的框架是基于扩展的完善的基于模型的方法,离散时间更新过程,它可以吝啬占模式,如老化,聚类和准周期性的需求到达。离散时间更新过程的连接不仅允许Croston型模型的原则性扩展,而且还允许基于神经网络的模型的自然包含-通过用递归神经网络代替指数平滑。我们还表明,建模连续时间的需求到达,即,与时间点过程,是可能的,通过一个平凡的扩展我们的框架。这导致在单个采购订单的数据直接可用的情况下更灵活的建模与粒度时间戳。作为对这一理论进步的补充,我们通过对标准间歇性需求数据集的广泛实证研究,证明了我们的预测实践框架的有效性,在这些数据集中,我们报告了各种情况下的预测准确性,这些情况与最先进的情况相比都是有利的。
2020-10-04 cs.LG stat.AP stat.ML
Consistent Long-Term Forecasting of Ergodic Dynamical Systems
École Polytechnique(巴黎综合理工学院);Istituto Italiano di Tecnologia(意大利技术研究院);University of Novi Sad(诺维萨德大学);University College London(伦敦大学学院)
针对遍历动力系统,提出结合特征值缩减与特征中心化的学习范式,使基于经验风险最小化的算子估计器满足一致长期预测界限并保持质量守恒。
2023-12-20 cs.LG math.DS stat.ML
Vulnerability Disclosure or Notification? Best Practices for Reaching Stakeholders at Scale
University of Twente(特温特大学)
本文通过元审查区分漏洞披露与漏洞通知,评估近年策略转变,为大规模触达利益相关者汇编最佳实践。
2025-09-24 cs.CR cs.NI
Symbolic Execution in Practice: A Survey of Applications in Vulnerability, Malware, Firmware, and Protocol Analysis
本文综述了符号执行在漏洞、恶意软件、固件和协议分析中的实际应用,提出了包含范围缩减和引导启发式两种主要方法的系统分类法,并指出了未来研究方向。
2025-08-08 cs.CR
Do Software Security Practices Yield Fewer Vulnerabilities?
本研究构建软件安全实践得分与漏洞数的机器学习模型,发现四项实践影响最大,但模型预测R²仅9%-12%,且安全得分高的包报告漏洞反而更多,建议优化相关指标以提供有效安全指导。
2023-06-15 cs.CR cs.SE
sec-certs: Examining the security certification practice for better vulnerability mitigation
本文通过大规模自动化分析通用准则证书,训练无监督模型识别影响认证产品的漏洞及其引用关系,并找出与更高安全性相关的安全要求,从而改进漏洞缓解。
2024-07-01 cs.CR
Forecasting the risk of software choices: A model to foretell security vulnerabilities from library dependencies and source code evolution
本文提出一个白盒轻量级模型,通过形式化源代码演化与库依赖,在库级别预测软件项目未来面临CVE披露的概率,辅助项目特定技术决策与生态系统健康度量。
2024-11-17 cs.CR cs.ET cs.SE
A Survey on Data-driven Software Vulnerability Assessment and Prioritization
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)
软件漏洞(SV)的复杂性和规模不断增加,给许多软件系统带来了巨大的安全风险。在实践中,由于资源有限,SV评估和优先级帮助从业者设计最佳的SV缓解计划的基础上,各种SV的特点。SV数据源和数据驱动技术(如机器学习和深度学习)的激增将SV评估和优先级排序提升到了一个新的水平。我们的调查提供了过去研究工作的分类,并强调了数据驱动的SV评估和优先级排序的最佳实践。我们还讨论了目前的局限性,并提出了解决这些问题的潜在解决方案。
2022-04-04 cs.AI cs.CR cs.LG
Security in a Workflow: Exploring Role-Based Agentic Architectures for Vulnerability Handling
Chalmers University of Technology and University of Gothenburg(查尔姆斯理工大学和哥德堡大学)
本文提出基于角色的智能体工作流(规划、分析、修复、验证),结合CodeQL工具,在25个真实C/C++漏洞上实现44%检测准确率和19%修复准确率。
2026-06-15 cs.CR cs.SE
Do (Not) Tell Me About My Insecurities: Assessing the Status Quo of Coordinated Vulnerability Disclosure in Germany Amid New EU Cybersecurity Regulations
Technische Universität Berlin(柏林工业大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
通过纵向研究分析德国DAX 40家公司的CVD项目采用率、挑战与经验,发现采用率从50%增至90%以上,法律义务是主要驱动力,但缺乏人力和报告质量参差不齐是障碍。
2026-06-25 cs.CR
The Impact of a Major Security Event on an Open Source Project: The Case of OpenSSL
Heartbleed漏洞在2014年引起了OpenSSL的国际关注。这个几乎奄奄一息的项目是公共Web服务器和超过10亿台移动设备的关键安全组件。这个漏洞导致了对OpenSSL的新投资。目的:本研究的目标是确定Heartbleed漏洞如何改变OpenSSL的软件演变。我们研究漏洞、代码质量、项目活动和软件工程实践的变化。方法:我们使用混合方法,从网站收集多种类型的定量数据和定性数据,并采访了一位致力于Heartbleed后更改的开发人员。我们使用回归不连续性分析来确定Heartbleed导致的代码和项目活动指标的水平和斜率变化。结果:OpenSSL项目在Heartbleed之后对代码质量和安全性做出了巨大的改进。截至2016年底,OpenSSL每月提交数量增加了两倍,发现并修复了91个漏洞,代码复杂性显著降低,并获得了CII最佳实践徽章,证明其使用了良好的开源开发实践。结论:OpenSSL项目提供了一个开源项目在安全事件发生后如何适应和改进的模型。OpenSSL的发展表明,已知漏洞的数量并不是项目安全性的有用指标。少量的漏洞可能只是表明项目没有花费太多的精力来寻找漏洞。这项研究表明,项目活动和CII徽章最佳实践可能是比漏洞计数更好的代码质量和安全性指标。
2020-05-28 cs.CR cs.SE
From Theory to Practice: Code Generation Using LLMs for CAPEC and CWE Frameworks
Northern Illinois University(北伊利诺伊大学)
本文提出一个基于LLMs生成CAPEC和CWE漏洞代码的数据集,通过GPT-4o、Llama和Claude模型生成高准确性的代码示例,提升安全漏洞识别与修复的效率。
2026-04-02 cs.AI cs.CR
Why Not Fix It Once and for All? An Empirical Study of Multiple Patches for Vulnerability Fixes in Open-Source Software
University of Texas at Dallas(达拉斯大学)
研究开源软件多补丁漏洞修复,通过人工检查1646条记录开发分类法,比较多补丁与单补丁修复特征及类别间特征变化,评估检测方法,为多补丁修复研究提供新见解和基础。
2026-07-16 cs.CR cs.SE
Propagation Model for SSC attacks: Why SBOM (tools) don't tell the whole truth
University of Liechtenstein(列支敦士登大学)
本文针对SBOM工具无法完整呈现软件供应链攻击传播效应的问题,提出四阶段传播模型,实证发现现有SBOM工具仅支持前两个阶段,成果为SSC安全工具研发提供支撑。
2026-09-07 cs.CR