VulKey: Automated Vulnerability Repair Guided by Domain-Specific Repair Patterns
The Chinese University of Hong Kong（香港中文大学）；Sun Yat-sen University（中山大学）
VulKey通过层级化抽象专家知识指导补丁生成，实现更高泛化性和语义丰富性，其在PrimeVul数据集上达到31.5%的修复准确率，超越现有方法。
2026-06-27 cs.CR cs.SE
Large Language Models Cannot Reliably Detect Vulnerabilities in JavaScript: The First Systematic Benchmark and Evaluation
Lanzhou University（兰州大学）；Zhejiang University（浙江大学）；Beihang University（北京航空航天大学）；Technology Support Center of the Cyberspace Administration of China（国家互联网信息办公室技术支撑中心）；Fudan University（复旦大学）；Beijing University of Posts（北京邮电大学）
本文首次提出FORGEJS框架，构建首个系统性JavaScript漏洞检测基准ARENAJS，并揭示LLM在漏洞检测中的局限性。
2025-12-01 cs.CL cs.CR cs.SE
Contextualizing Sink Knowledge for Java Vulnerability Discovery
Georgia Institute of Technology（佐治亚理工学院）；Samsung Research（三星研究院）；University of Waterloo（滑铁卢大学）
GONDAR框架通过利用sink API语义进行针对性漏洞发现，通过CWE扫描和LLM静态过滤识别可利用的sink调用点，并通过探索和利用代理协作发现更多漏洞。
2026-04-19 cs.CR
A Study of Vulnerability Repair in JavaScript Programs with Large Language Models
Simon Fraser University（西蒙菲莎大学）
本研究探讨了ChatGPT和Bard等大型语言模型在修复JavaScript程序安全漏洞中的准确性，并发现提示中适当的上下文对生成正确补丁至关重要。
2024-03-19 cs.AI cs.CR
ContractTinker: LLM-Empowered Vulnerability Repair for Real-World Smart Contracts
针对现有智能合约漏洞修复工具语义理解不足、难以处理真实漏洞的问题，提出结合思维链拆解与静态分析引导的LLM赋能修复工具ContractTinker，在48个高危漏洞上实现48%的有效修复率与21%的微改可用率。
2024-09-15 cs.CR cs.SE
Semantics-Aligned, Curriculum-Driven, and Reasoning-Enhanced Vulnerability Repair Framework
Singapore Management University（新加坡管理大学）；Monash University（蒙纳士大学）；Aalto University（阿尔托大学）；National University of Singapore（新加坡国立大学）
本文提出SeCuRepair框架，通过语义对齐、课程驱动和推理增强解决现有漏洞修复方法的局限性，提升代码修复的准确性和泛化能力。
2026-03-18 cs.CR cs.SE
AIBugHunter: A Practical Tool for Predicting, Classifying and Repairing Software Vulnerabilities
AIBugHunter 是一个集成到 VS Code 的 ML 漏洞分析工具，通过多目标优化分类和 Transformer 估计实现实时漏洞检测、分类、严重性评估与修复建议，并在 188K+ 函数数据集和用户研究中验证了其准确性与实用性。
2023-05-26 cs.CR cs.SE
EviRepair: Evidence-Driven Agents for Reliable Vulnerability Repair
Nanjing University（南京大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Imperial College London（伦敦帝国理工学院）
本文提出EviRepair证据驱动多智能体框架，通过引入证据审查提升仓库级自动漏洞修复的可靠性，在PatchEval和SecBench基准上较现有基线方法分别实现16.37%和40.33%的解决率提升。
2026-10-12 cs.CR
JFinder: A Novel Architecture for Java Vulnerability Identification Based Quad Self-Attention and Pre-training Mechanism
提出JFinder架构，利用四重自注意力与预训练机制结合结构信息和语义表示进行Java漏洞识别，在CWE和PROMISE数据集上表现优异并能准确识别修补后的漏洞。
2023-07-29 cs.CR
Assessing the Cross-Version Applicability of Java Library Vulnerability Exploits
The State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室）；Queen’s University（女王大学）
本文通过大规模实证研究探讨披露的Java库漏洞利用在不同版本间的泛化能力，构建包含259个漏洞利用的数据库，验证漏洞利用在不同版本间的适用性，并提出10种迁移策略以提升召回率。
2026-07-31 cs.CR cs.SE
VulnRepairEval: An Exploit-Based Evaluation Framework for Assessing Large Language Model Vulnerability Repair Capabilities
针对现有大语言模型漏洞修复评估依赖表层验证、性能高估的问题，提出基于PoC漏洞利用的VulnRepairEval框架，构建含23个真实Python CVE的基准，测试12款LLM发现最优模型修复率仅约21.7%，凸显真实场景评估的必要性。
2025-09-03 cs.CR cs.SE
JavaVulBench: A Java Vulnerability Benchmark with Realistic Splits, a Unified Multi-Backend Harness, and a Leakage-Aware Evaluation Mode
University Of Szeged（塞格德大学）
发布JavaVulBench用于Java漏洞检测，含约30600个Java方法的数据集，有多种分割策略，框架为三个后端家族提供统一模式，可在相同条件下评估多个检测器，还提供预训练污染审计。
2026-07-07 cs.AI cs.CR
Vulnerability Detection in Popular Programming Languages with Language Models
本文研究了语言模型在JavaScript、Java、Python、PHP、Go和C/C++等流行编程语言中的漏洞检测有效性，发现JavaScript表现最佳，且代码复杂性与检测性能仅存在弱相关性。
2024-12-23 cs.CR cs.SE
Code Vulnerability Repair with Large Language Model using Context-Aware Prompt Tuning
University of Delaware（德克萨斯大学）；Colorado School of Mines（科罗拉多矿业学院）
本研究针对LLM在缓冲区溢出漏洞修复上的不足，提出上下文感知提示微调技术，通过注入领域知识将GitHub Copilot的修复率从15%提升至63%。
2025-06-11 cs.AI cs.CR
Where Did the Repair First Go Wrong? Localizing the Origins of Silent Failures in Agentic Vulnerability Repair
Tampere University（坦佩雷大学）
针对智能体漏洞修复中的静默失败，提出基于轨迹的SAGE方法，通过分析每轮安全推理与代码历史，定位最早偏离安全意图的环节，在95个案例中成功定位93个，多数源于未解决的安全要求或不当防御。
2026-10-06 cs.AI cs.CR cs.SE
LLM4CVE: Enabling Iterative Automated Vulnerability Repair with Large Language Models
本文提出LLM4CVE迭代流水线，利用大语言模型自动修复真实代码漏洞，并在多种先进LLM上验证其修复质量与代码相似度。
2025-01-07 cs.CR cs.SE
A Function-level Dataset of Vulnerable and Fixed Source Code in JavaScript and TypeScript
University of Szeged（塞格德大学）
针对JavaScript和TypeScript的漏洞检测训练数据不足问题，构建了函数级数据集JsVul，通过语言特定流水线、多阶段去重和启发式标注确保质量，支持稳健模型训练。
2026-09-30 cs.CR cs.SE
Original Sin of npm: A Study on Vulnerability Propagation in JavaScript Dependency Networks
Data61, CSIRO（CSIRO数据六部）；RMIT University（皇家墨尔本理工大学）；Macquarie University（麦考瑞大学）；Sungkyunkwan University（成均馆大学）
本文研究了少量脆弱JavaScript包如何导致大量脆弱包的产生，揭示了依赖网络中漏洞传播的特性及修复时间，提出开发人员和包管理者的缓解建议。
2026-04-19 cs.CR
Evaluation of Static Vulnerability Detection Tools with Java Cryptographic API Benchmarks
几项研究表明，加密API的误用在现实世界的代码中很常见（例如，Apache项目和Android应用程序）。有几个开源和商业安全工具可以自动筛选Java程序以检测滥用。为了比较它们的准确性和安全性保证，我们开发了两个综合基准，名为CryptoAPI-Bench和ApacheCryptoAPI-Bench。CryptoAPI-Bench由181个单元测试用例组成，涵盖基本用例，以及复杂用例，包括过程间、字段敏感、多类测试用例，以及误用用例的路径敏感数据流。该基准还包括测试假阳性率的正确案例。ApacheCryptoAPI-Bench由来自10个Apache项目的121个加密案例组成。我们使用这两个基准测试评估了四个工具，即SpotBugs，CryptoGuard，CrySL和Coverity。我们介绍了它们的性能和比较分析。ApacheCryptoAPI-Bench还检查了工具的可扩展性。我们的基准对于在误用检测领域推进最先进的解决方案非常有用。
2021-12-07 cs.CR
P2Patch: Exploit-Guided Vulnerability Repair
K. N. Toosi University of Technology（肯恩·托基大学）；Ferdowsi University of Mashhad（马什哈德费尔多西大学）；Simon Fraser University（西蒙菲莎大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
P2Patch 是一种生成式对抗修复系统，通过将补丁视为新攻击目标的对抗循环，在 101 个 C/C++ 和 Java CVE 主题上提升了漏洞修复的覆盖率，能揭示单次验证遗漏的修复缺口。
2026-10-14 cs.AI cs.CR cs.SE
Using ML filters to help automated vulnerability repairs: when it helps and when it doesn't
University of Trento（特伦托大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文研究在自动化漏洞修复流程中用机器学习模型作为测试前初步过滤器的可行性，推导了精确率与召回率的理论界限，并据此评估了现有漏洞检测器相比仅基于测试的APR4Vuln流水线需要达到的速度条件。
2025-04-09 cs.CR cs.LG cs.SE
Study of JavaScript Static Analysis Tools for Vulnerability Detection in Node.js Packages
本文首次对Node.js代码漏洞检测的静态分析工具进行实证研究，构建了包含957个漏洞的最大精选数据集，测试九种工具发现最佳组合仅检测出57.6%的漏洞且精确率极低，为该领域提供了新基准。
2023-01-12 cs.CR
SecReason: Vulnerability Detection and In-Stream Self-Repair for LLM Code Generation
Singapore Management University（新加坡管理大学）；University of Wollongong（伍伦贡大学）
针对 LLM 代码生成的漏洞问题，提出流内防御机制 SecReason，通过双轨增量扫描在生成中检测漏洞并中断修复，将安全功能代码交付率从低于15%提升至72.8%，且 token 消耗更少。
2026-10-15 cs.CR cs.SE
PatchIsland: Orchestration of LLM Agents for Continuous Vulnerability Repair
KAIST（韩国科学技术院）；POSTECH（浦项工科大学）；Georgia Institute of Technology（佐治亚理工学院）；Korea University（高丽大学）；Samsung SDS（三星SDS）；Samsung Electronics（三星电子）；ENKI WhiteHat；Microsoft（微软）
研究针对持续模糊测试中漏洞修复多为人工且现有AVR技术不适用于此的问题，提出PatchIsland系统，通过集成多种大语言模型代理及两阶段去重方法，实现高效漏洞修复，在内部评估和竞赛中都取得了较好的修复成果。
2026-07-17 cs.CR
Towards Demystifying and Repairing LLM-in-the-Loop Vulnerabilities
Tianjin University（天津大学）；Singapore Management University（新加坡管理大学）；University of Luxembourg（卢森堡大学）
通过构建首个LLM-in-the-loop漏洞数据集LLMCVE，分析发现LLM常作为目标或传播向量而非根因，并评估现有修复方法，揭示此类漏洞修复更具挑战性。
2026-07-03 cs.CR cs.SE
Neural Transfer Learning for Repairing Security Vulnerabilities in C Code
KTH Royal Institute of Technology（瑞典皇家理工学院）；Colorado State University（科罗拉多州立大学）
在本文中，我们解决了深度学习自动修复软件漏洞的问题。数据驱动漏洞修复的主要问题是，已知已确认漏洞的少数现有数据集仅包含几千个示例。然而，训练一个深度学习模型通常需要数十万个示例。在这项工作中，我们利用直觉，错误修复任务和漏洞修复任务是相关的，从错误修复学到的知识可以转移到修复漏洞。在机器学习社区中，这种技术被称为迁移学习。本文提出了一种基于迁移学习的安全漏洞修复方法VRepair。VRepair首先在一个大型的bug修复语料库上进行训练，然后在一个小一个数量级的漏洞修复数据集上进行调整。在我们的实验中，我们证明了只在bug修复语料库上训练的模型已经可以修复一些漏洞。然后，我们证明了迁移学习提高了修复脆弱C函数的能力。我们还表明，迁移学习模型的性能优于使用去噪任务训练并在漏洞修复任务上进行微调的模型。总之，本文表明，与在小数据集上学习相比，迁移学习在修复C中的安全漏洞方面效果良好。
2022-01-04 cs.CR cs.LG cs.SE
Identifying Vulnerable Third-Party Java Libraries from Textual Descriptions of Vulnerabilities and Libraries
针对现有方法在识别名称复杂相似的易受攻击Java库时准确率低的问题，提出VulLibMiner，结合TF-IDF匹配器与BERT-FNN模型，从漏洞和库的文本描述中识别易受攻击库，并在VulLib数据集上取得F1分数0.657，优于现有方法的0.521。
2023-11-17 cs.CR cs.SE
Towards Behavior Tree-Guided Vulnerability Detection with Lightweight LLMs
Örebro University（欧雷布罗大学）
本文提出用行为树（BT）作为中间表示，结合量化本地LLM Mistral Small 3.2 24B（Q4_K_M），在460个Java样本上验证其可提升漏洞检测性能，适配上下文窗口，为漏洞检测提供紧凑结构化表示。
2026-09-03 cs.CR cs.SE
Exploring Automated Vulnerability Identification in JavaScript Code Using Large Language Models
Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）
本研究实证评估大型语言模型在JavaScript代码漏洞识别中的效果，发现微调后准确率从29%提升至60%，优于传统SAST工具，可作补充手段。
2026-09-15 cs.AI cs.CR
Examining Zero-Shot Vulnerability Repair with Large Language Models
New York University（纽约大学）；University of Calgary（卡尔加里大学）
人类开发人员可以编写带有网络安全漏洞的代码。新兴的“智能”代码完成工具能帮助修复这些错误吗？在这项工作中，我们研究了使用大语言模型（LLM）的代码（如OpenAI的Codex和AI 21的Jurassic J-1）进行zero-shot漏洞修复。我们调查的提示，哄骗LLM到生成修复版本的不安全代码的设计挑战。这是困难的，因为有许多方法可以用自然语言在语义和句法上表达关键信息。我们对五个商业上可用的，黑盒子，“现成的”LLM，以及一个开源模型和我们自己的本地训练模型进行了大规模的研究，混合了合成，手工制作和现实世界的安全错误场景。我们的实验表明，虽然该方法有希望（LLM可以共同修复100%的合成生成和手工制作的场景），但对历史真实世界示例语料库的模型性能的定性评估突出了生成功能正确的代码的挑战。
2022-08-15 cs.AI cs.CR
Empirical Review of Smart Contract and DeFi Security: Vulnerability Detection and Automated Repair
本文实证综述了智能合约与DeFi安全领域，将攻击归纳为六类，评估了42种漏洞检测技术和8种自动修复工具，并指出了未来需解决的开放问题。
2023-09-06 cs.CR cs.SE
Code-based Vulnerability Detection in Node.js Applications: How far are we?
JavaScript运行时环境Node.js是最受欢迎的编程应用程序之一，拥有最大的可重用包集合。最近的工作表明，已知的漏洞在开源和工业软件中普遍存在，我们提出并实现了一个可行的基于代码的Node.js应用程序漏洞检测工具。我们的案例研究列出了在实现Node.js脆弱代码检测器时遇到的挑战。
2020-08-11 cs.CR cs.SE
Java Components Vulnerabilities - An Experimental Classification Targeted at the OSGi Platform
OSGi平台在两个不同的应用领域发现了越来越多的兴趣：嵌入式系统和应用服务器。然而，该平台的安全属性几乎没有研究，这可能会阻碍其在生产系统中的使用。基于OSGi的应用程序的动态方面（可以在运行时扩展）使它们容易受到恶意代码注入的攻击，这一点尤为重要。因此，我们对OSGi平台进行了系统的审计，以便构建一个漏洞目录，该目录旨在引用源于核心规范的OSGi漏洞，以及与Java语言使用相关的行为。不考虑标准服务。为了支持这种审计，定义了一个半正式的漏洞模式，它可以唯一地描述每个漏洞的基本属性，在模式中包含详细描述，引用已知的安全保护，并跟踪利用漏洞的概念验证OSGi捆绑包的实现状态。在分析目录的基础上，建立了一个健壮的OSGi平台，并提出了改进OSGi规范的建议。
2007-07-27 cs.CR cs.OS
Metrics Failure in LLM-Based Code Vulnerability Repair: An Empirical Study and a Change-Aware Screen
The University of Southern Mississippi（南密西西比大学）
本研究通过五项受控实验证明编译率作为LLM漏洞修复指标不可靠，并提出变更感知的diff_F1作为廉价筛选工具，主张采用变更感知且基于执行的评估方法。
2026-09-23 cs.AI cs.CR cs.SE
Code Security Vulnerability Repair Using Reinforcement Learning with Large Language Models
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
针对现有LLM代码修复因监督微调的样本不平衡而忽略安全防护的问题，提出结合语义、语法奖励机制的强化学习代码修复方法，以实现LLM生成代码的安全加固。
2024-01-30 cs.AI cs.CR cs.SE
SecureFixAgent: A Hybrid LLM Agent for Automated Python Static Vulnerability Repair
Computer Science Department（计算机科学系）；Applied Economics Department（应用经济学系）
SecureFixAgent 将 Bandit 静态分析与轻量级本地 LLM 结合，通过迭代检测-修复-验证循环和 LoRA 微调，实现低误报、高精度的自动化 Python 漏洞修复。
2025-09-18 cs.AI cs.CR cs.SE
SoK: Towards Effective Automated Vulnerability Repair
该SoK论文通过系统文献综述和定量基准测试，将自动化漏洞修复方法分为模板引导、基于搜索、基于约束和基于学习四类，评估其优劣并指出无单一最优方法，同时提出未来研究方向。
2025-01-31 cs.CR
How Effective Are Neural Networks for Fixing Security Vulnerabilities
Purdue University（普渡大学）；University of Waterloo（滑铁卢大学）；York University（约克大学）；University of Alberta（阿尔伯塔大学）；J.P. Morgan AI Research（摩根大通AI研究院）
本文首次系统比较了LLMs与基于深度学习的APR模型在Java漏洞修复上的能力，提出新基准VJBench及变换版本，并发现现有方法修复率低、Codex表现相对最好，呼吁通过更大训练数据、微调和代码简化变换来提升自动修复效果。
2024-04-02 cs.AI cs.CR cs.SE
ContraFix: Skill-Enhanced Contrastive Runtime Analysis for Vulnerability Repair
Beihang University（北京航空航天大学）；The University of Hong Kong（香港大学）
本文提出ContraFix框架，通过差分运行时证据和可重用的修复技能，解决大型语言模型代理在自动漏洞修复中的语义误解问题，实现了在SEC-Bench和PatchEval上的高准确率。
2026-07-03 cs.AI cs.CL cs.CR
Repairing vulnerabilities without invisible hands. A differentiated replication study on LLMs
University of Trento（特伦托大学）
本文通过受控实验研究LLM在漏洞修复中的表现，发现其修复能力可能受隐藏因素影响，通过偏移故障位置验证模型是否能复现记忆中的修复方案。
2026-01-14 cs.CR cs.LG cs.SE
CognixShield: PoV-Guided Vulnerable API Usage Detection in Large Codebases via LLMs
Virginia Tech（弗吉尼亚理工大学）；Nanyang Technological University（南洋理工大学）；Wake Forest University（维克森林大学）
CognixShield是一款LLM驱动的框架，通过保留语义的AST碎片化、感知漏洞的多智能体RAG、PoV引导的语义推理三个核心组件，在57个Java应用上实现了优于现有工具的漏洞API使用检测性能。
2026-08-11 cs.CR cs.SE
LLM-BSCVM: An LLM-Based Blockchain Smart Contract Vulnerability Management Framework
提出LLM-BSCVM框架，结合检索增强生成与多智能体协作，实现智能合约漏洞的端到端检测、分析、修复与评估，检测准确率和F1超过91%，误报率降至5.1%。
2025-05-23 cs.CR
Neuro-symbolic Static Analysis with LLM-generated Vulnerability Patterns
Columbia University（哥伦比亚大学）；Wuhan University（武汉大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出MoCQ框架，结合大语言模型生成漏洞检测模式，实现高精度与高扩展性的静态分析，发现46个新漏洞模式并识别25个未知漏洞。
2026-04-14 cs.CR
Multi-Agent Taint Specification Extraction for Vulnerability Detection
North Carolina State University（北卡罗来纳州立大学）；University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；Boston University（波士顿大学）
SemTaint通过结合LLM语义理解和传统静态分析，提取定制化的污点规范以提升漏洞检测效果
2026-01-15 cs.CR cs.SE
Closing the Gap: A User Study on the Real-world Usefulness of AI-powered Vulnerability Detection & Repair in the IDE
Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学）；Microsoft Data & AI（微软数据与人工智能）
本文研究了AI驱动的漏洞检测与修复工具在IDE中的实际有用性，通过17名专业开发者使用DeepVulGuard工具的实证研究发现，尽管该工具前景广阔，但高误报率和不可应用的修复使其尚未能用于实际场景。
2025-04-25 cs.CR cs.LG cs.SE
Securing Smart Contract Languages with a Unified Agentic Framework for Vulnerability Repair in Solidity and Move
University Of Houston（德克萨斯大学休斯敦分校）；Kent State University（肯特州立大学）
本文提出Smartify，一种利用多代理框架和LLMs自动检测并修复Solidity和Move智能合约漏洞的方法，展现其在提升安全性和可靠性方面的显著成效。
2025-11-20 cs.AI cs.CR cs.MA
Artificial Intelligence Techniques for Security Vulnerability Prevention
几十年来，计算机安全一直是人们关注的问题，而人工智能技术应用于该领域的时间也几乎一样长。大多数技术都被应用于检测对运行系统的攻击，但机器学习（例如，自然语言处理）的最新改进使得有机会处理软件和规范，以便在部署系统之前检测系统中的漏洞。本文介绍了一个调查的人工智能技术（包括机器学习），以检测或修复安全漏洞之前，产品介绍。在调查的论文中，介绍了使用NLP分析安全标准完整性需求文档的技术，执行软件的神经模糊测试，生成漏洞来检测风险等等。我们将当前的技术分为3组：漏洞检测，漏洞修复和规范分析。一般来说，虽然人工智能技术在这一领域已经变得非常有用，但我们表明，人工智能技术的范围仍然有限，提供了一系列工具，可以增强但不能取代谨慎的系统开发，以降低漏洞风险。
2019-12-14 cs.CR
Enabling Automatic Repair of Source Code Vulnerabilities Using Data-Driven Methods
Simula Research Laboratory（西穆拉研究实验室）
世界各地的用户在日常活动中依赖软件密集型系统。这些系统经常包含错误和安全漏洞。为了便于错误修复，自动程序修复的数据驱动模型使用错误代码和修复代码对来学习修复代码中错误的转换。然而，安全漏洞的自动修复仍然没有得到充分的探索。在这项工作中，我们提出了从三个角度来改善代码表示漏洞修复的方法：输入数据类型，数据驱动的模型，和下游任务。这项工作的预期结果是改进的代码表示自动程序修复，特别是修复安全漏洞。
2022-02-07 cs.CR cs.LG cs.SE
Surgical Repair of Insecure Code Generation in LLMs
Tandon School of Engineering（坦顿工程学院）；New York University（纽约大学）
研究揭示LLMs生成不安全代码并非知识缺失，而是格式可靠性缺口问题，通过机制分析发现安全表示在最终层被格式合规需求压制，采用针对性修正向量可将不安全生成降低74%。
2026-04-17 cs.CR cs.LG
Understanding the Quality of Container Security Vulnerability Detection Tools
虚拟化使信息和通信技术行业能够更好地管理计算资源。在这方面，虚拟化方法的改进以及对一致的运行时环境、更低的开销和更小的包大小的需求导致了容器的日益普及。这是一种技术，它将应用程序、其依赖项和操作系统（OS）打包为一个独立的单元运行。然而，使用容器的紧迫问题是它对安全攻击的敏感性。因此，许多集装箱扫描工具可用于检测集装箱安全漏洞。因此，在这项研究中，我们通过提出两个反映覆盖率和准确性的指标来调查现有集装箱扫描工具的质量。我们使用不同的容器扫描工具（如Clair，Closore和Microscanner）分析了DockerHub上托管的Java应用程序的59个流行的公共容器映像。我们的研究结果表明，现有的容器扫描方法不能检测应用程序包漏洞。此外，现有的工具不具有高准确性，因为34%的漏洞被性能最好的工具遗漏。最后，我们还通过评估完整的漏洞环境来展示托管在DockerHub上的Java应用程序的Docker映像的质量，即，在图像中检测到的漏洞数量。
2021-01-11 cs.CR
Automated Detecting and Repair of Cross-Site Scripting Vulnerabilities
防止跨站脚本（XSS）攻击的最佳实践是应用编码器来清理不受信任的数据。为了平衡安全性和功能性，应该应用编码器来匹配网页上下文，例如HTML主体、JavaScript和样式表。一个常见的编程错误是使用错误类型的编码器来清理不受信任的数据，使应用程序容易受到攻击。我们提出了一个安全的单元测试方法来检测XSS漏洞所造成的不受信任的数据的不正确编码。XSS漏洞的单元测试在每个网页中构建，然后由单元测试执行框架进行评估。设计了一个基于语法的攻击生成器来自动生成测试输入。我们还提出了一个漏洞修复技术，可以自动修复检测到的漏洞在许多情况下。这种方法的评估已经进行了一个开源的医疗记录应用程序，超过200个网页编写的JSP。
2018-04-03 cs.CR
Two Timin': Repairing Smart Contracts With A Two-Layered Approach
Westborough High School（韦斯特伯勒高中）；Sunset High School（森塞特高中）；Granite Bay High School（格拉尼特贝高中）；Lakeside School（湖滨学校）；Bellarmine College Preparatory（贝拉明大学预科学校）；Robbinsville High School（罗宾斯维尔高中）；University of Illinois（伊利诺伊大学）
本文提出一种双层框架，结合Slither报告、RandomForestClassifier与LLMs，实现智能合约漏洞的自动分类与直接修复，GPT-3.5-Turbo与Llama-2-7B模型分别减少97.5%和96.7%的漏洞且保留原有功能。
2023-09-14 cs.AI cs.CR
CLEAR: Causal Context-Based Agentic Reasoning for Vulnerability Detection
Hanyang University（汉阳大学）
该研究针对现有漏洞检测方法无法捕捉漏洞复杂因果依赖的问题，提出CLEAR多智能体框架，通过构建VCKG并结合四类智能体协同推理，在C/C++和Java基准上性能显著优于现有最优方法。
2026-10-07 cs.CR cs.SE
PatchFuzz: Patch Fuzzing for JavaScript Engines
针对JavaScript引擎补丁模糊测试的种子来源受限与PoC收集难问题，提出端到端可持续方法PatchFuzz，通过自动化收集历史漏洞PoC并结合对应补丁进行选择性插桩与变异优化，在六款引擎中发现54个漏洞并获62,500美元赏金。
2025-05-01 cs.CR cs.SE
