WACANA: A Concolic Analyzer for Detecting On-chain Data Vulnerabilities in WASM Smart Contracts
本文提出 WACANA，通过细粒度模拟链上数据表与 API，并结合覆盖率引导的具体与符号执行，提升 WASM 智能合约漏洞检测的准确性和实用性。
2024-12-05 cs.CR cs.SE
SAGA: Detecting Security Vulnerabilities Using Static Aspect Analysis
提出SAGA方法，通过符号控制流图和领域特定语言定义静态切面，检测Python代码中的多种安全漏洞，在108个漏洞数据集上达到100%敏感度和99.15%特异度。
2026-07-02 cs.CR cs.SE
A unit-based symbolic execution method for detecting memory corruption vulnerabilities in executable codes
本文提出一种基于单元的符号执行方法，通过仅对静态识别的测试单元执行符号执行并结合机器学习近似系统输入，有效缓解路径爆炸并检测四类内存损坏漏洞，在准确性和性能上优于同类工具。
2025-09-14 cs.CR cs.SE
Uncover the Premeditated Attacks: Detecting Exploitable Reentrancy Vulnerabilities by Identifying Attacker Contracts
本文提出 BlockWatchdog 工具，通过识别攻击者合约和重入调用流来检测真正可利用的重入漏洞，并能发现 ERC 代币或自定义接口导致的新型重入漏洞，在 42 万余个以太坊合约中识别出价值约 9.086 亿美元的攻击。
2024-03-28 cs.CR cs.SE
A Model-Driven-Engineering Approach for Detecting Privilege Escalation in IoT Systems
访问控制模型中的软件漏洞可能代表系统中的严重威胁。事实上，OWASP将破坏访问控制列为十大漏洞中严重程度第5位。在本文中，我们研究了一个新兴的智能家居平台，SmartThings的权限模型，并探讨了一种方法，在其权限模型中检测权限升级。我们的方法是基于模型驱动工程（MDE）除了静态分析。与单独的静态分析相比，这种方法可以更好地覆盖权限升级检测，并利用分析携带额外权限详细信息的自由格式文本。我们的实验结果表明，在物联网应用程序中检测过特权漏洞的准确性非常高
2022-05-23 cs.CR cs.SE
deepSURF: Detecting Memory Safety Vulnerabilities in Rust Through Fuzzing LLM-Augmented Harnesses
Purdue University（普渡大学）
deepSURF结合静态分析与LLM引导的模糊测试，自动生成并增强测试工具，有效检测Rust不安全代码中的内存安全漏洞，在63个真实crate上重新发现30个已知错误并发现12个新漏洞。
2025-10-24 cs.CR cs.LG cs.SE
Chiral Analysis of Smart Contracts: Detecting Vulnerabilities from Relational Inconsistencies Across Business Paths
研究智能合约因业务路径关系不一致产生的漏洞，提出手性分析，将配对路径视为隐式规范，形式化关系并推导义务。通过ChiralDetector实现，经初步评估能减少候选对、产生去重结果，揭示难用单功能规则表达的漏洞类并控制成本与精度。
2026-07-21 cs.SE
SmartAxe: Detecting Cross-Chain Vulnerabilities in Bridge Smart Contracts via Fine-Grained Static Analysis
针对跨链桥智能合约的跨链漏洞检测难题，提出SmartAxe框架，通过概率模式推理和跨链流图检测访问控制缺陷与语义不一致，在真实数据集上取得较高准确率与召回率，并发现大量未知漏洞。
2024-06-23 cs.SE
IRIS: LLM-Assisted Static Analysis for Detecting Security Vulnerabilities
提出IRIS神经符号方法，结合LLMs与静态分析进行全仓库推理以检测安全漏洞，在CWE-Bench-Java数据集上检测出55个漏洞并发现4个未知漏洞。
2025-04-06 cs.CR cs.PL cs.SE
Detecting Protracted Vulnerabilities in Open Source Projects
University of Toronto（多伦多大学）；Queen’s University（女王大学）
本文研究了长期未解决的漏洞（PCVEs），提出DeeptraVul方法，通过整合开发 artifacts 和代码信号，提高对长期漏洞的检测率，达到90%的覆盖。
2026-03-28 cs.CR cs.SE
Did You Forkget It? Detecting One-Day Vulnerabilities in Open-source ForksWith Global History Analysis
University of Rennes（雷恩大学）；Inria（法国国家信息与自动化研究所）
本文提出一种全球历史分析方法，用于检测开源fork中的单日漏洞，通过传播漏洞信息和自动化影响分析，发现135个高严重性漏洞。
2026-10-08 cs.CR cs.SE
WakeMint: Detecting Sleepminting Vulnerabilities in NFT Smart Contracts
针对NFT智能合约中的sleepminting漏洞，本文分类了四种类型，并提出基于符号执行的检测工具WakeMint，在11,161个真实合约中实现87.8%的精确度。
2025-02-26 cs.SE
Understanding the Effectiveness of Large Language Models in Detecting Security Vulnerabilities
本文通过评估16个预训练LLMs在5个安全数据集、5,000个代码样本上的表现，系统研究了LLMs检测安全漏洞的有效性，发现其平均准确率为62.8%，在过程内漏洞上优于CodeQL，并证明逐步分析提示可显著提升性能。
2024-10-23 cs.CR cs.PL cs.SE
SmartState: Detecting State-Reverting Vulnerabilities in Smart Contracts via Fine-Grained State-Dependency Analysis
针对智能合约状态回退漏洞检测难题，提出基于细粒度状态依赖分析的SmartState框架，结合字节码与交易数据提取依赖、建模漏洞模式，在实测中取得较高准确率与召回率，还发现大量新漏洞及对应资产风险。
2024-06-23 cs.SE
Toward Improved Deep Learning-based Vulnerability Detection
本研究针对基于深度学习的漏洞检测器在跨基础单元漏洞（MBU）上的性能缺陷，通过实验验证了现有检测器在检测此类漏洞时准确率显著下降，并提出了一个框架以帮助正确纳入MBU漏洞。
2025-01-24 cs.SE
Statically Detecting Buffer Overflow in Cross-language Android Applications Written in Java and C/C++
针对跨语言应用缓冲区溢出检测难题，提出Java与C/C++间数据流分析方法并开发PilaiPidi工具，在6个知名Android应用中检出23个跨语言漏洞，获开发者确认11个。
2023-05-18 cs.SE
Virtualization-based Penetration Testing Study for Detecting Accessibility Abuse Vulnerabilities in Banking Apps in East and Southeast Asia
Singapore Management University（新加坡管理大学）；MIE-SPPU Institute of Higher Education（MIE-SPPU高等教育学院）；i-Sprint Innovations Pte. Ltd（i-Sprint创新私人有限公司）；Promon（普罗蒙）
本研究通过虚拟化渗透测试检测东亚和东南亚银行应用中的可访问性滥用漏洞，分析现有防护措施并提出防范策略。
2026-01-29 cs.CR cs.SE
Metamorphic Testing for Smart Contract Vulnerabilities Detection
尽管智能合约快速增长，但由于缺乏可靠的开发和测试，它们正遭受许多安全漏洞。在本文中，我们应用变形测试技术来检测智能合约漏洞。基于我们在易受攻击的智能合约中观察到的异常，我们定义了五种变形关系来检测目标智能合约的异常气体消耗和账户交互不一致性。通过动态执行交易并检查变形关系的最终违反，我们确定智能合约是否易受攻击。我们在67个手动注释的智能合约的基准上评估了我们的方法。实验结果表明，我们的方法实现了更高的检测率（TPR，真阳性率）与更低的误报率（FDR，错误发现率）比其他三个国家的最先进的工具。这些结果进一步表明，变形测试是检测智能合约漏洞的一种很有前途的方法。
2023-03-06 cs.SE
Satellite: Detecting and Analyzing Smart Contract Vulnerabilities caused by Subcontract Misuse
本文提出字节码级静态分析框架 Satellite，通过迁移学习恢复继承方法、方法级特征比对和 SMV 指标识别子合约误用漏洞，并在真实合约中发现未知漏洞。
2025-09-28 cs.SE
GPTScan: Detecting Logic Vulnerabilities in Smart Contracts by Combining GPT with Program Analysis
Nanyang Technological University（南洋理工大学）；MetaTrust Labs（MetaTrust实验室）；East China Normal University（华东师范大学）；Xi’an Jiaotong University（西安交通大学）；Singapore Management University（新加坡管理大学）
本文提出GPTScan，将GPT作为代码理解工具与静态分析结合，通过场景-属性匹配和静态确认检测智能合约逻辑漏洞，在保持高精确率和召回率的同时实现快速低成本的审计。
2024-05-06 cs.AI cs.CR cs.SE
VulEval: Towards Repository-Level Evaluation of Software Vulnerability Detection
提出仓库级评估系统VulEval，通过函数级检测、依赖预测和仓库级检测三项任务及大规模数据集，填补了过程间漏洞检测评估的空白。
2024-04-24 cs.CR cs.SE
Detecting Vulnerabilities from Issue Reports for Internet-of-Things
Electrical and Computer Engineering（电气与计算机工程）；McGill University（麦吉尔大学）
针对物联网问题报告的漏洞检测空白，提出结合ML与LLM的NLP技术及微调BERT两种方法，在21个Eclipse IoT项目中实验，SVM模型取得0.65的AUC，为准确检测IoT漏洞奠定基础。
2025-11-03 cs.AI cs.CR cs.SE
HDR-Fuzz: Detecting Buffer Overruns using AddressSanitizer Instrumentation and Fuzzing
缓冲区溢出是软件库和应用程序中普遍存在的漏洞。模糊测试是检测漏洞的有效技术之一。灰盒模糊器，如AFL自动生成一个序列的测试输入一个给定的程序使用健身指导搜索过程。文献中最近提出的方法引入了一种称为“净空”的缓冲区溢出特定适应性度量，该度量跟踪每个生成的测试输入与暴露漏洞的接近程度。这种方法显示了良好的初始承诺，但由于其依赖于保守的点到分析，因此有些不精确和昂贵。受上述方法的启发，在本文中，我们提出了一种新的自上而下的方法来检测缓冲区溢出漏洞。这种方法使用与模糊器并行运行的ASAN（地址消毒器）的扩展版本，并向模糊器报告恰好更接近暴露缓冲区溢出漏洞的测试输入。ASAN风格的插装是精确的，因为它不依赖于指向分析。在本文中，我们描述了我们的方法，以及实施和评估的方法。
2021-04-21 cs.SE cs.SY eess.SY
Triggering and Detecting Exploitable Library Vulnerability from the Client by Directed Greybox Fuzzing
Zhejiang University（浙江大学）；Central University of Finance and Economics（中央财经大学）
本文提出LiveFuzz方法，基于定向灰盒模糊测试检测客户端程序触发库漏洞的可利用性，无需证明概念，通过目标元组扩展DGF技术，引入抽象路径映射机制和风险自适应突变策略，提升路径覆盖率和漏洞暴露速度。
2026-04-05 cs.CR cs.SE
Securing Code Understanding: Detecting Natural Backdoor Vulnerability in Code Language Models
Nanjing University（南京大学）；Nanyang Technological University（南洋理工大学）；Soochow University（苏州大学）；Tsinghua University（清华大学）
本研究系统探究代码语言模型中的自然后门漏洞，通过44种场景证明其普遍性，分析其与注入后门的差异及迁移性，并提出检测方法ScanNBT。
2026-06-09 cs.CR cs.SE
Detecting Vulnerabilities in Encrypted Software Code while Ensuring Code Privacy
LASIGE, DI, Faculdade de Ciências, Universidade de Lisboa（里斯本大学科学学院）
提出结合静态分析与可搜索对称加密（SSE）的CoCoA工具，在保护代码隐私的前提下对加密源代码进行漏洞检测，实现了93%的精度和42.7%的适度开销。
2026-05-23 cs.CR cs.SE
CodeHacker: Automated Test Case Generation for Detecting Vulnerabilities in Competitive Programming Solutions
Shanghai University of Finance and Economics（上海金融学院）；Northwestern Polytechnical University（西北工业大学）；Meituan（美团）；University of Toronto（多伦多大学）
提出CodeHacker框架，通过多策略对抗测试用例生成（压力测试、反哈希攻击、逻辑特定攻击）和校准阶段，有效暴露程序漏洞，提升测试集真负率并增强RL训练模型性能。
2026-06-02 cs.AI cs.CR 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
DSHGT: Dual-Supervisors Heterogeneous Graph Transformer -- A pioneer study of using heterogeneous graph learning for detecting software vulnerabilities
Tongji University（同济大学）；Ping An Technology（平安科技）；Fudan University（复旦大学）；Ant Group（蚂蚁集团）；Macquarie University（麦考瑞大学）
本文首次将代码属性图形式的异构图表示与双监督器异构图网络DSHGT相结合用于软件漏洞检测，在真实项目上平均F1提升超10%，并展现出从C/C++到其他语言的良好可迁移性。
2024-06-06 cs.LG cs.SE
Vulpedia: Detecting Vulnerable Ethereum Smart Contracts via Abstracted Vulnerability Signatures
近年来，智能合约在构建值得信赖的去中心化应用程序方面越来越受欢迎。以前的研究已经提出了静态和动态技术来检测智能合约中的漏洞。这些工具根据几个预定义的规则检查易受攻击的合同。然而，不断出现的新的脆弱类型和编程技能，以防止可能出现的漏洞，导致大量的误报和漏报的工具。为了解决这个问题，我们提出了Vulpedia，它从合同中挖掘表达性漏洞签名。Vulpedia基于一个宽松的假设，即合同所有者没有恶意。具体而言，我们从脆弱和良性合约中提取结构化程序特征作为漏洞特征，并基于漏洞特征构成的检测规则构建了一个系统的检测方法。与现有技术定义的规则相比，我们的方法可以提取更具表达性的规则，以实现更好的完整性（即，检测回忆）和可靠性（即，精度）。我们进一步评估Vulpedia的四个基线（即，Slither，Securify，SmartCheck和Oyente）在由17，770份合同组成的测试数据集上进行了测试。实验结果表明，Vulpedia在4类漏洞的查准率和3类漏洞的查全率方面表现最好，同时也表现出了较高的查准率和查全率。
2022-07-05 cs.CR cs.DC cs.SE
Smart Contract Vulnerability Detection based on Static Analysis and Multi-Objective Search
本文提出一种结合静态分析与多目标优化的智能合约漏洞检测方法，针对重入、调用栈溢出、整数溢出和时间戳依赖四类漏洞，在6,693个合约上验证其覆盖率、精度和效率优于现有工具。
2024-09-30 cs.SE
Many Tools, Few Exploitable Vulnerabilities: A Survey of 246 Static Code Analyzers for Security
Ruhr-University Bochum（鲁尔大学波鸿分校）；Chalmers | University of Gothenburg（查尔姆斯理工大学|哥德堡大学）
本文调查了246个静态代码分析器，发现其主要关注有限的漏洞集，且检测的漏洞难以利用，评估方法存在不足。
2026-02-20 cs.CR cs.SE
Symbolic Execution Meets Multi-LLM Orchestration: Detecting Memory Vulnerabilities in Incomplete Rust CVE Snippets
Texas A&M University–San Antonio（德克萨斯农工大学圣安东尼奥分校）
本文提出结合符号执行（KLEE）与四代理多LLM架构，解决不完整代码问题，通过协作合成可编译的KLEE测试用例，检测Rust不安全代码中的内存漏洞，实现90.3%的测试用例编译成功率，检测到1,206个关键错误。
2026-04-28 cs.CR cs.PL cs.SE
A Survey of Prevent and Detect Access Control Vulnerabilities
本文综述 Web 应用访问控制漏洞的特征，并从设计实现、分析测试到运行时监控梳理现有预防与检测方法，指出开放问题。
2023-04-20 cs.CR cs.SE
A Systematic Literature Review on Detecting Software Vulnerabilities with Large Language Models
Esslingen University（埃斯林根大学）；Institute for Intelligent Systems, Esslingen University（智能系统研究所，埃斯林根大学）；Chair of Communication Networks, University of Tübingen（通信网络教研室，图宾根大学）
本文系统综述了基于大语言模型的软件漏洞检测研究，分析了263项研究，提出了细粒度分类法，识别关键限制，并为未来研究提供了方向。
2025-12-19 cs.AI cs.SE
One Signature, Multiple Payments: Demystifying and Detecting Signature Replay Vulnerabilities in Smart Contracts
Sun Yat-sen University（中山大学）；Peng Cheng Laboratory（鹏城实验室）；Zhejiang University（浙江大学）；Harbin Institute of Technology（哈尔滨工业大学）
本文首次实证研究智能合约签名重放漏洞（SRV），从1419份审计报告识别出5种SRV类型，设计LASiR结合LLM语义理解与符号执行检测漏洞，实验显示其F1值达87.90%，且SRV在目标合约中分布广泛。
2025-11-12 cs.CR cs.SE
Trace: Securing Smart Contract Repository Against Access Control Vulnerability
针对现有智能合约漏洞检测工具无法处理不可编译仓库的问题，提出结合大语言模型补全代码、基于调用图与控制流图检测访问控制漏洞的TRACE工具，在多类数据集上精度均显著优于现有方案。
2025-10-22 cs.SE
NLP-based Cross-Layer 5G Vulnerabilities Detection via Fuzzing Generated Run-Time Profiling
Stevens Institute of Technology（史蒂文斯理工学院）
提出一种基于NLP和机器学习的方法，利用模糊测试生成的运行时性能分析文档自动检测5G栈漏洞，在srsRAN上实现93.4%-95.9%的准确率。
2023-05-14 cs.CR cs.LG cs.SE
Detecting Privilege Escalation in Polyglot Microservices via Agentic Program Analysis
Columbia University（哥伦比亚大学）；Johns Hopkins University（约翰霍普金斯大学）
本文提出Neo框架，结合LLM和经典程序分析，解决微服务中特权提升检测的复杂性问题，发现24个零日漏洞，精度和召回率均优于现有方法。
2026-05-15 cs.AI cs.CR cs.SE
Detecting Security Patches via Behavioral Data in Code Repositories
Tel-Aviv University（特拉维夫大学）
当今绝大多数软件都是使用协作版本控制工具（如Git）协作开发的。通常的做法是，一旦发现并修复了漏洞，软件背后的开发人员就会发布一个常见漏洞和暴露或CVE记录，以提醒用户社区注意安全隐患，并敦促他们集成安全补丁。然而，有些公司可能不会披露他们的漏洞，只是更新他们的存储库。因此，用户不知道该漏洞，并可能仍然暴露。在本文中，我们提出了一个系统来自动识别安全补丁，只使用Git存储库中的开发人员行为，而不分析代码本身或伴随修复的注释（提交消息）。我们可以发现隐藏的安全补丁，准确率为88.3%，F1得分为89.8%。这是第一次提出一个语言无关的解决方案。
2023-02-04 cs.CR cs.LG cs.SE
CrossInspector: A Static Analysis Approach for Cross-Contract Vulnerability Detection
本文提出 CrossInspector 框架，通过 Transformer 恢复语义信息并构建状态依赖图进行细粒度静态分析，有效检测智能合约字节码层面的跨合约漏洞，在精确率、召回率和检测时间上均优于现有工具。
2024-08-27 cs.CR cs.SE
SmartReco: Detecting Read-Only Reentrancy via Fine-Grained Cross-DApp Analysis
针对现有智能合约漏洞检测技术难以追踪多DApp交互、无法有效检测只读重入漏洞的问题，本文提出结合静动态分析的SmartReco框架，通过跨DApp边界识别、细粒度静态定位、多功能模糊测试检测漏洞，实测准确率与召回率较高，还发现了多个新漏洞。
2024-12-09 cs.SE
TheHuzz: Instruction Fuzzing of Processors Using Golden-Reference Models for Finding Software-Exploitable Vulnerabilities
现代处理器的日益复杂性对现有的用于检测安全关键错误的硬件验证工具和方法提出了许多挑战。最近对处理器的攻击已经表明了发现和利用硬件漏洞的致命后果。Fuzzing已经成为一种很有前途的检测软件漏洞的技术。最近，一些硬件模糊技术已被提出。然而，它们受到几个限制，包括不适用于常用的硬件描述语言（HDL），如Verilog和VHDL，需要大量的人为干预，以及无法捕获许多固有的硬件行为，如信号转换和浮动线。在本文中，我们提出了一种新的硬件模糊器，TheHuzz，克服了上述限制，并显着提高了最先进的状态的设计和实现。我们分析了HDL中的硬件设计的内在行为，然后测量覆盖率的度量模型，这种行为。TheHuzz生成汇编级指令来增加所需的覆盖率值，从而发现许多可从软件中利用的硬件错误。我们在四个流行的开源处理器上评估了TheHuzz，与行业标准的随机回归方法和最先进的硬件模糊器DiffuzRTL相比，分别实现了1.98倍和3.33倍的速度。使用TheHuzz，我们在这些处理器中检测到11个漏洞，包括8个新漏洞，我们使用检测到的漏洞演示了漏洞利用。我们还表明，TheHuzz克服了半导体行业的形式化验证工具的局限性，通过比较其发现的Cadence JasperGold工具。
2022-01-24 cs.AR cs.CR cs.SE
VulCoCo: A Simple Yet Effective Method for Detecting Vulnerable Code Clones
本文提出 VulCoCo，一种结合嵌入检索与 LLM 验证的轻量级漏洞代码克隆检测方法，在合成基准上超越现有方法，并在真实开源项目中通过提交 400 个 PR 验证其有效性。
2025-07-22 cs.SE
Automated Black-box Testing of Mass Assignment Vulnerabilities in RESTful APIs
大量赋值是RESTful API中最突出的漏洞之一。此漏洞源于常见Web框架中的错误配置，因此攻击者可以利用命名约定和自动绑定来编写恶意请求，写入机密资源并（大规模）覆盖应该是只读和/或机密的数据。在本文中，我们采用了黑盒测试的角度来自动检测大量分配RESTful API中的漏洞。执行场景完全基于OpenAPI规范生成，OpenAPI规范列出了可用的操作及其消息格式。聚类用于对相似的操作进行分组并显示只读字段，后者是批量分配的候选者。然后，通过实例化抽象测试模板自动生成交互序列，试图利用潜在的漏洞。最后，运行测试用例，并由特定的oracle评估其执行情况，以揭示漏洞是否可以被成功利用。所提出的新方法已实施和评估的一组案例研究写在不同的程序设计语言。评估强调，该方法是非常有效的检测种子漏洞，具有非常高的准确性。
2023-01-03 cs.CR cs.SE
Can Large Language Models Find And Fix Vulnerable Software?
PeopleTec（皮奥泰克公司）
本研究评估GPT-4等大语言模型的软件漏洞检测修复能力，发现其检测量是传统工具四倍、修复使漏洞降90%且误报低，具备自我审计能力，为代码安全审计提供新方向。
2023-08-20 cs.LG cs.SE
Bi-Directional Transformers vs. word2vec: Discovering Vulnerabilities in Lifted Compiled Code
The Beacom College of Computer and Cyber Sciences, Dakota State University（达科他州立大学比科姆计算机与网络科学学院）；College of Applied Science & Technology, University of Arizona（亚利桑那大学应用科学与技术学院）；College of Computing, Georgia Institute of Technology（佐治亚理工学院计算学院）
本研究比较word2vec与双向Transformer（BERT、RoBERTa）嵌入，用LSTM在LLVM IR上检测编译二进制漏洞，发现word2vec Skip-Gram以92%准确率最优。
2024-09-27 cs.CL cs.CR cs.LG
ABSENTIA: Detecting Broken Access Control Vulnerabilities in Web Applications
Carnegie Mellon University（卡内基梅隆大学）；Instituto Superior Técnico（技术高等研究所）；Faculdade de Engenharia do Porto（波尔图工程学院）
针对Web应用失效的访问控制漏洞，提出安全脚手架ABSENTIA，引导LLM智能体通过路由映射和不变式反驳实现系统性检测，并发布BAC-Bench基准，召回19/30漏洞，优于现有工具。
2026-10-02 cs.CR cs.SE
Exploiting Library Vulnerability via Migration Based Automating Test Generation
针对第三方库漏洞影响评估难的问题，提出基于漏洞利用代码的测试生成方法VESTA，通过新增迁移步骤提升测试与漏洞利用的相似性，在30个漏洞、60组漏洞-项目对的实验中，成功率达71.7%，较基线方法TRANSFER提升53.4%。
2023-12-15 cs.SE
Impact of Code Transformation on Detection of Smart Contract Vulnerabilities
针对智能合约漏洞检测训练数据集有限的问题，提出基于语义保持代码转换的数据集扩充方法，可生成能绕过现有检测工具的漏洞样本，使检测漏报率最高达100%，数据集规模至少扩大2.5倍。
2024-10-30 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
Large Language Models for In-File Vulnerability Localization Can Be "Lost in the End"
Collegium Helveticum ETH Zurich（苏黎世联邦理工学院赫尔维蒂库姆学院）；University of Zurich（苏黎世大学）
本文评估GPT等基于聊天的LLMs检测文件内漏洞的有效性，发现其性能受漏洞位置和输入大小影响，较大文件末尾漏洞检测性能显著下降（“在末尾迷失”效应），并提出最佳输入大小策略，使平均召回率提升超37%。
2025-02-09 cs.AI cs.SE
Bytecode-centric Detection of Known-to-be-vulnerable Dependencies in Java Projects
针对Java生态中依赖修改导致现有扫描器漏检的问题，提出字节码中心的依赖扫描器Jaralyzer，直接分析字节码，在56个流行组件的评估中表现优于现有工具，尤其适配各类修改后的依赖检测。
2025-10-22 cs.CR cs.SE
On using distributed representations of source code for the detection of C security vulnerabilities
INESC-ID（里斯本系统与计算机工程研究所）；IST/U.Lisbon（里斯本大学高等技术学院）；FEUP（波尔图大学工程学院）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种评估的代码表示模型Code2vec时，在C源代码中检测安全漏洞的任务训练。我们利用开源库astminer从带标签的C函数语料库的抽象语法树中提取路径上下文。Code2vec在生成的路径上下文上进行训练，任务是将函数分类为脆弱或非脆弱。使用CodeXGLUE基准测试，我们证明了Code2vec在此任务中的准确性与简单的基于transformer的方法（如预训练的RoBERTa）相当，并且优于更简单的基于NLP的方法。我们实现了61.43%的准确度，同时相对于较大的模型保持较低的计算要求。
2021-06-01 cs.AI cs.CR cs.LG
