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
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
Evaluating Line-level Localization Ability of Learning-based Code Vulnerability Detection Models
University of Cagliari, Italy（卡利亚里大学）；CINI, Italy（CINI）
针对基于学习的代码漏洞检测模型仅能标记整段函数而无法精确定位漏洞行的问题，提出基于可解释性的检测对齐（DA）评估方法，发现模型预测持续受非漏洞行偏差影响。
2025-10-13 cs.CR cs.LG
HogVul: Black-box Adversarial Code Generation Framework Against LM-based Vulnerability Detectors
HogVul通过整合词汇和语法扰动，利用粒子群优化策略提升对抗攻击效果，实验显示其在漏洞检测器攻击成功率上提升26.05%。
2026-01-09 cs.AI cs.CR
NatGVD: Natural Adversarial Example Attack towards Graph-based Vulnerability Detection
针对基于图的漏洞检测模型对抗鲁棒性不足的问题，提出NatGVD攻击方法，通过保语义的图结构代码变换生成自然对抗样本，对主流检测器最高达53.04%规避率，并探索了对应防御策略。
2025-10-06 cs.CR
Navigating the Concurrency Landscape: A Survey of Race Condition Vulnerability Detectors
本综述系统分类了竞态条件漏洞检测器，探讨了相关技术与算法，并分析了模糊测试的应用，旨在提高检测的准确性、性能、适用性和全面性。
2023-12-22 cs.CR
Dissecting the Black Box: Circuit-Level Analysis of LLM Vulnerability Detection
Lund University（隆德大学）
通过机械可解释性分析 Gemma-2-2b 模型在 C/C++ 漏洞检测中的内部计算，发现模型主要依赖安全检测器（识别安全编码模式的注意力头）而非直接检测漏洞特征，并识别出关键神经组件（早期层注意力头和 MLP 神经元），通过消融实验验证其因果作用。
2026-05-28 cs.CR cs.LG
Enhancing Code Vulnerability Detection via Vulnerability-Preserving Data Augmentation
针对现有代码漏洞检测忽略漏洞多样性、数据稀缺导致泛化差的问题，提出细粒度检测器FGVulDet，结合多分类器、边感知GGNN与保留漏洞特征的数据增强技术，在五类漏洞数据集上验证了有效性。
2024-04-15 cs.CR
$μ$VulDeePecker: A Deep Learning-Based System for Multiclass Vulnerability Detection
Huazhong University of Science and Technology（华中科技大学）；Shenzhen Huazhong University of Science and Technology Research Institute（深圳华中科技大学研究院）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
细粒度的软件漏洞检测是一个重要且具有挑战性的问题。理想情况下，检测系统（或检测器）不仅应该能够检测程序是否包含漏洞，而且还应该能够查明问题中的漏洞类型。现有的基于深度学习的漏洞检测方法可以检测漏洞的存在（即，解决二进制分类或检测问题），但是不能精确地指出漏洞的类型（即，不能解决多类分类）。在本文中，我们提出了第一个基于深度学习的多类漏洞检测系统，称为$μ$ VulDeePecker。$μ$ VulDeePecker的关键洞察力是代码关注度的概念，它可以捕获有助于查明漏洞类型的信息，即使样本很小。为此，我们从头开始创建一个数据集，并使用它来评估$μ$ VulDeePecker的有效性。实验结果表明，$μ$ VulDeePecker是一种有效的多类漏洞检测方法，同时考虑控制依赖（而不是数据依赖）可以提高检测能力.
2020-01-08 cs.CR cs.LG
Boosting the Capability of Intelligent Vulnerability Detection by Training in a Human-Learning Manner
深度学习由于其强大的自动特征提取功能，在源代码漏洞检测中得到了广泛的应用。然而，尽管它在人工数据集上表现良好，但由于真实世界样本的高度复杂性，它在检测真实世界漏洞时的性能并不令人满意。在本文中，我们提出了训练DL为基础的漏洞检测模型在人类学习的方式，即从最简单的样本，然后逐渐过渡到困难的知识。具体来说，我们设计了一个新的框架（Humer），可以提高基于DL的漏洞检测器的检测能力。为了验证Humer的有效性，我们选择了五个最先进的基于DL的漏洞检测模型（TokenCNN，VulDeePecker，StatementGRU，ASTGRU和Devign）来完成我们的评估。通过计算结果，我们发现使用Humer可以使这些模型的F1平均提高10.5%。此外，Humer可以使模型检测到高达16.7%的真实世界漏洞。同时，我们还进行了一个案例研究，发现漏洞，从现实世界的开源产品使用这些增强的DL为基础的漏洞检测器。通过结果，我们最终发现了281个NVD中未报告的漏洞，其中98个已经被厂商在最新版本的相应产品中默默修补，但159个仍然存在于产品中。
2021-12-12 cs.CR
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
Multi-Granularity Detector for Vulnerability Fixes
Singapore Management University（新加坡管理大学）；Huawei（华为）；Queen’s University（女王大学）；The University of Melbourne（墨尔本大学）
针对开源软件漏洞修复提交识别中的噪声与数据不平衡挑战，提出多粒度检测器MiDas，通过构建不同粒度神经网络并集成预测，显著提升了检测效果并减少了人工检查成本。
2023-05-23 cs.AI cs.CR cs.SE
ANVIL: Anomaly-based Vulnerability Identification without Labelled Training Data
University of Toronto（多伦多大学）
本文提出ANVIL，通过将漏洞检测转化为异常检测，利用大语言模型对代码进行掩码重建，结合多种指标提升检测性能，在PrimeVul数据集上优于现有监督检测器。
2026-06-27 cs.CR cs.LG 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
Security Vulnerability Detection with Multitask Self-Instructed Fine-Tuning of Large Language Models
Carnegie Mellon University（卡内基梅隆大学）；University of Melbourne（墨尔本大学）
本文提出MSIVD方法，通过多任务自指令微调将大语言模型与控制流图神经网络结合进行漏洞检测，在BigVul和PreciseBugs数据集上取得优于LineVul的性能。
2024-06-09 cs.CR cs.LG cs.SE
A Systematic Study of Code Obfuscation Against LLM-based Vulnerability Detection
National Key Lab for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学）；Shandong University（山东大学）；Nanyang Technological University（南洋理工大学）
本文系统研究了对抗基于大语言模型的漏洞检测的代码混淆技术，评估了不同混淆方法对LLM检测性能的影响，并提出了未来改进方向。
2025-12-18 cs.CR cs.LG
An empirical analysis of zero-day vulnerabilities disclosed by the zero day initiative
Department of Computing, Engineering and Mathematical Sciences（计算、工程与数学科学系）；Texas A&M University - San Antonio（德克萨斯A&M大学-圣安东尼奥）
本研究分析了2024年ZDI报告的415个零日漏洞，探讨了漏洞披露趋势、严重性分布及预测模型在分类中的应用，以提升漏洞管理与应对能力。
2025-12-16 cs.CR cs.LG
Deep VULMAN: A Deep Reinforcement Learning-Enabled Cyber Vulnerability Management Framework
University of South Florida（南佛罗里达大学）；United States Military Academy, West Point（西点军校）
网络漏洞管理是网络安全运营中心（CSOC）的一项重要功能，可帮助保护组织免受对其计算机和网络系统的网络攻击。对手对CSOC拥有不对称的优势，因为与安全团队在资源受限的环境中缓解它们的扩展速度相比，这些系统中的缺陷数量以显著更高的速度增加。目前的方法是确定性的一次性决策方法，在确定和选择缓解脆弱性时不考虑未来的不确定性。这些办法还受到资源分配不理想的限制，无法灵活地调整对脆弱性抵达者的波动作出的反应。我们提出了一个新的框架，深VULMAN，由一个深度强化学习代理和整数规划方法，以填补这一空白的网络漏洞管理过程。我们的顺序决策框架，首先，确定了接近最优的资源分配的缓解下的不确定性为一个给定的系统状态，然后确定最优的一组优先级的脆弱性实例缓解。我们提出的框架优于目前的方法，在优先选择重要的组织特定的漏洞，模拟和现实世界的漏洞数据，观察了一年的时间。
2022-10-24 cs.AI cs.CR cs.NE
Gradient Similarity: An Explainable Approach to Detect Adversarial Attacks against Deep Learning
深度神经网络容易受到能够欺骗网络的小但特定的对抗性扰动的影响。此漏洞可能会在安全关键型应用程序中导致潜在的有害后果。为了解决这个漏洞，我们提出了一个新的度量称为\emph{Gradient Similarity}，使我们能够捕捉测试输入的训练数据的影响。我们表明，\emph{Gradient Similarity}的行为不同的正常和敌对的输入，并使我们能够检测到各种对抗攻击与接近完美的ROC-AUC为95-100\%。即使是拥有系统完美知识的白盒对手也无法轻松绕过我们的检测器。在MNIST数据集上，白盒攻击要么以87- 96%的高ROC-AUC检测到，要么需要非常高的失真来绕过我们的检测器。
2018-06-27 cs.CR cs.CV cs.LG
VulMCI : Code Splicing-based Pixel-row Oversampling for More Continuous Vulnerability Image Generation
针对现有基于图像的漏洞检测方法中代码图像连续性不足导致CNN丢失语义信息的问题，提出基于代码行拼接的像素行过采样方法，构建VulMCI系统，在多个数据集上优于现有主流检测器。
2024-04-16 cs.CR
Level Up with ML Vulnerability Identification: Leveraging Domain Constraints in Feature Space for Robust Android Malware Detection
Radboud University（拉德堡德大学）；Ruhr University Bochum（波鸿鲁尔大学）
针对ML在Android恶意软件检测中易受可实现对抗样本规避攻击的问题，提出在特征空间学习Android域约束的新方法，有效检测对抗样本，并在对抗训练中显著提升模型鲁棒性和训练效率。
2024-12-24 cs.CR cs.LG
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
CoTDeceptor:Adversarial Code Obfuscation Against CoT-Enhanced LLM Code Agents
Beijing University of Posts and Telecommunications（北京邮电大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；State Key Laboratory of Cyberspace Security Defense（网络空间安全防御全国重点实验室）；National Key Lab for Novel Software Technology, Nanjing University（南京大学软件新技术国家重点实验室）；QiAnXin Technology Group Co.,Ltd（奇安信科技集团股份有限公司）
CoTDeceptor通过构建多阶段混淆策略链，有效对抗增强CoT的LLM检测器，实现对14个漏洞类别的绕过。
2025-12-24 cs.CR cs.MA
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
VulnScout-C: A Lightweight Transformer for C Code Vulnerability Detection
Ecole Polytechnique de Tunisie（突尼斯理工学院）；Khalifa University（哈利法大学）；University of Groningen（格罗宁根大学）；Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
本文提出VulnScout-C，一种轻量级Transformer模型，用于C代码漏洞检测，同时构建了VulnScout数据集，实验表明其在检测性能上优于现有方法，且具有更低的推理成本。
2026-03-30 cs.CR
Towards an Awareness of Time Series Anomaly Detection Models' Adversarial Vulnerability
Data61 CSIRO（联邦科学与工业研究组织Data61研究所）；Sungkyunkwan University（成均馆大学）
时间序列异常检测在统计学、经济学和计算机科学中得到了广泛的研究。多年来，已经提出了许多使用基于深度学习的方法进行时间序列异常检测的方法。这些方法中的许多方法在基准数据集上表现出最先进的性能，给人一种错误的印象，即这些系统在许多实际和工业现实世界的场景中是健壮的和可部署的。在本文中，我们证明了国家的最先进的异常检测方法的性能大大降低，只增加了小的对抗性扰动的传感器数据。我们使用不同的评分指标，如预测误差，异常和分类分数在几个公共和私人的数据集，从航空航天应用，服务器机器，在发电厂的网络物理系统。在快速梯度符号方法（FGSM）和投影梯度下降（PGD）方法的著名对抗攻击下，我们证明了最先进的深度神经网络（DNN）和图神经网络（GNN）方法，这些方法声称对异常具有鲁棒性，并且可能已集成到现实生活中的系统中，其性能下降到低至0%。根据我们的理解，我们第一次展示了异常检测系统对对抗攻击的脆弱性。这项研究的总体目标是提高人们对时间序列异常检测器的对抗性漏洞的认识。
2022-08-24 cs.CR cs.LG
DeepVulSeeker: A Novel Vulnerability Identification Framework via Code Graph Structure and Pre-training Mechanism
软件漏洞会对计算系统造成严重危害。它们可能导致系统崩溃，隐私泄露，甚至物理损坏。及时、准确地识别出大量软件代码中的漏洞是目前对其进行修补的必要前提。不幸的是，目前的漏洞识别方法，无论是经典的还是基于深度学习的方法，都存在一些严重的缺陷，使它们无法满足当今软件行业提出的需求。为了克服这些缺点，在本文中，我们提出了DeepVulSeeker，一种新型的全自动漏洞识别框架，它利用了代码图结构和语义特征，并借助最近先进的图形表示自注意力和预训练机制。我们的实验表明，DeepVulSeeker不仅在传统的CWE数据集上达到了高达0.99的准确率，而且在两个高度复杂的数据集上也优于所有其他验证方法。我们还基于三个案例研究对DeepVulSeeker进行了验证，发现DeepVulSeeker能够理解能力的含义。我们已经完全实现了DeepVulSeeker，并将其开源以供未来的后续研究。
2022-11-23 cs.CR
Vignat: Vulnerability identification by learning code semantics via graph attention networks
Columbia University（哥伦比亚大学）
本文提出基于图注意力网络的漏洞识别框架 Vignat，通过细粒度代码属性图学习代码语义表示，在 C 库数据集上实现 57.38% 准确率，并利用模型可解释性揭示漏洞模式。
2023-10-30 cs.AI cs.CR
Cargo Ecosystem Dependency-Vulnerability Knowledge Graph Construction and Vulnerability Propagation Study
目前，人们对Cargo生态系统的结构和漏洞传播的可能性知之甚少。许多实证研究将第三方依赖治理策略从单个软件生态系统推广到其他生态系统，但忽略了不同软件生态系统技术结构的差异，难以直接将其他生态系统的安全治理策略推广到Cargo生态系统。为了填补这一领域的空白，本文构建了一个知识图谱的依赖漏洞的货物生态系统使用相关的技术，知识图谱，以解决这一挑战。本文是相关研究领域的第一个大规模实证研究，以解决货物生态系统中的脆弱性传播问题。提出了一种依赖-漏洞知识图谱解析算法，确定漏洞传播路径和传播范围，并实证研究了Cargo生态系统中漏洞的特征、传播范围以及导致漏洞传播的因素。我们的研究发现，Cargo生态系统的安全漏洞主要与内存相关。在受漏洞影响的库中，有18%的库在最新版本的库中仍然受到漏洞的影响。受漏洞传播影响的版本数量占整个Cargo生态系统的19.78%。本文探讨了Cargo生态系统中触发漏洞的特征和传播因素。它为Cargo社区的管理员、使用Cargo管理第三方库的开发人员以及库所有者提供了一些实用的解决策略。本文为提高Cargo生态系统的整体安全性提供了新的思路。
2022-10-14 cs.CR cs.PL cs.SE
Ethereum NFT Smart Contracts: Knowledge-Guided Vulnerability Detection with LLM and Code Slicing
Hainan University（海南大学）
研究以太坊NFT智能合约漏洞检测，结合漏洞聚焦代码切片、ERC-721知识库及受限DeepSeek分析，正则表达式定位候选语句，提取代码切片分析，结果显示聚焦代码上下文和领域约束影响检测器输出，提升阳性标签率。
2026-07-27 cs.CR
SmartBugBert: BERT-Enhanced Vulnerability Detection for Smart Contract Bytecode
School of Cyberspace Security, Hainan University（海南大学网络空间安全学院）
SmartBugBert通过结合BERT和CFG分析，高效检测智能合约中的四种关键漏洞类型，达到高精度和召回率。
2026-01-31 cs.CR
Do I really need all this work to find vulnerabilities? An empirical case study comparing vulnerability detection techniques on a Java application
应用漏洞检测技术是使用软件项目有限资源的许多任务之一。目的：本研究的目标是通过实证研究的效率和有效性的四种技术对基于Java的Web应用程序的使用软件漏洞检测技术，以帮助管理人员和其他决策者作出明智的选择。实验方法：我们将四种不同类别的漏洞检测技术\textendash-系统性手动渗透测试（SMPT）、探索性手动渗透测试（EMPT）、动态应用程序安全测试（DAST）和静态应用程序安全测试（SAST）\textendash应用于开源病历系统。结果：我们使用SAST发现了最多的漏洞。然而，EMPT发现了更严重的漏洞。对于每种技术，我们都发现了使用其他技术没有发现的独特漏洞。手动技术（EMPT、SMPT）的效率在每小时漏洞（VpH）方面与自动技术（DAST、SAST）的效率相当或更好。结论：从业者应该选择的漏洞检测技术可能会因项目的目标和可用资源而异。如果组织的目标是找到项目中的“所有”漏洞，那么他们需要在资源允许的范围内使用尽可能多的技术。
2022-08-02 cs.CR cs.SE
They See Me Rollin': Inherent Vulnerability of the Rolling Shutter in CMOS Image Sensors
University of Oxford（牛津大学）
在本文中，我们描述了如何使用明亮的调制光源（例如，便宜的现成激光器），以注入细粒度的图像中断。我们展示了对七种不同CMOS摄像头的攻击，从廉价的物联网到半专业的监控摄像头，以突出卷帘快门攻击的广泛适用性。我们对影响不受控制的设置中的卷帘快门攻击的基本因素进行建模。然后，我们进行了详尽的评估攻击的目标检测任务的影响，调查攻击参数的影响。我们验证了我们的模型对两个独立的摄像头上收集的经验数据，表明通过简单地使用来自摄像头的摄像头的信息，对手可以准确地预测注入的失真大小，并相应地优化他们的攻击。我们发现，通过选择适当的攻击参数，对手可以隐藏高达75%的最先进的检测器所感知的对象。我们还研究了攻击的隐蔽性，与天真的相机致盲攻击相比，表明常见的图像失真度量无法检测到攻击的存在。因此，我们提出了一种新的，准确的和轻量级的增强对象检测器的骨干网络识别卷帘快门攻击。总的来说，我们的研究结果表明，滚动快门攻击可以大大降低基于视觉的智能系统的性能和可靠性。
2021-12-01 cs.CR cs.CV
StagedVulBERT: Multi-Granular Vulnerability Detection with a Novel Pre-trained Code Model
针对现有预训练代码漏洞检测方法难以学习细粒度特征、处理长代码序列的问题，本研究提出带CodeBERT-HLS组件的StagedVulBERT框架，采用由粗到细策略实现多粒度检测，在粗细粒度任务上均显著优于现有方法。
2024-10-08 cs.CR cs.SE
ChatNVD: Advancing Cybersecurity Vulnerability Assessment with Large Language Models
The University of Adelaide, Australia（澳大利亚阿德莱德大学）；CSIRO’s Data61, Australia（澳大利亚CSIRO数据61）
针对现有漏洞评估方法晦涩抽象的问题，研究提出基于大语言模型的工具ChatNVD，利用NVD生成易懂的漏洞摘要，对比三款主流LLM后发现GPT-4o Mini准确率超92%、表现最优。
2025-05-20 cs.CL cs.CR
AttackPathGNN: Cross-function vulnerability detection in smart contracts using state interference graphs and conjunction pooling
Bucharest University of Economic Studies（布加勒斯特经济学院）
提出AttackPathGNN，一种图神经网络，通过构建状态干扰图和合取池化机制，将漏洞检测转化为对显式攻击路径的推理，实现跨函数漏洞的高精度检测。
2026-06-04 cs.AI cs.CR
Vulnerability Analysis of 2500 Docker Hub Images
容器技术的使用在过去几年中飞速发展，Docker是领先的容器平台。Docker的公开可用容器镜像的在线存储库称为Docker Hub，在撰写本文时托管了超过350万个镜像，使其成为世界上最大的容器镜像社区。我们对2500个Docker镜像进行了广泛的漏洞分析。执行这种类型的分析特别有趣，因为漏洞环境是一个快速变化的类别，漏洞扫描器不断开发和更新，新的漏洞被发现，Docker Hub上的图像量每天都在增加。我们的主要发现揭示了（1）Docker Hub上新引入的漏洞数量正在迅速增加;（2）认证镜像最容易受到攻击;（3）官方镜像最不容易受到攻击;（4）漏洞数量与镜像特征之间没有相关性（即，pull数、star数和自上次更新以来的天数）;（5）最严重的漏洞源自两种最流行的脚本语言，JavaScript和Python;以及（6）Python 2.x包和jackson-databind包包含最多的严重漏洞。我们认为我们的研究是过去几年公开文献中发表的最广泛的脆弱性分析。
2020-06-11 cs.CR
VulScribeR: Exploring RAG-based Vulnerability Augmentation with LLMs
University of Manitoba（曼尼托巴大学）；Washington State University（华盛顿州立大学）；University at Buffalo（布法罗大学）
本文提出 VulScribeR，利用大语言模型结合检索增强生成，通过变异、注入和扩展三种策略增强漏洞数据，在多个数据集上显著优于现有方法，并具备低成本大规模增强能力。
2025-08-12 cs.CR cs.LG cs.SE
A Deep Learning-based Penetration Testing Framework for Vulnerability Identification in Internet of Things Environments
近年来，物联网（IoT）范式呈现出巨大的增长，导致了工业4.0和智能环境等创新，这些创新提高了效率，资产管理并促进了智能决策。然而，这些好处被由于固有漏洞而产生的大量网络安全问题所抵消，这些漏洞阻碍了基于物联网的系统的机密性，完整性和可用性。安全漏洞可以通过应用渗透测试来检测，特别是信息收集阶段的一个子集，称为漏洞识别。然而，由于生成的数据的多样性、硬件限制和环境复杂性，现有的渗透测试解决方案无法从物联网环境中发现零日漏洞。因此，开发有效的渗透测试解决方案来检测智能物联网环境中的漏洞势在必行。本文提出了一种基于深度学习的渗透测试框架，即长短期记忆递归神经网络漏洞识别（LSTM-EVI）。我们通过一个新的面向网络安全的测试平台来利用这个框架，这是一个基于智能机场的测试平台，由物理和虚拟元素组成。该框架使用该测试平台和实时数据源进行了评估。我们的研究结果表明，该框架实现了约99%的扫描攻击的检测准确率，优于其他四个对等技术。
2021-09-20 cs.CR
Game Rewards Vulnerabilities: Software Vulnerability Detection with Zero-Sum Game and Prototype Learning
本文提出RECON框架，通过零和博弈让校准器学习修复前后代码的语义无关差异，并结合原型学习增强检测器性能，在公开基准上F1分数超越最先进基线6.29%。
2024-01-16 cs.CR cs.SE
Learning to Locate: GNN-Powered Vulnerability Path Discovery in Open Source Code
针对漏洞根因解释难题，提出 VulPathFinder，用 GNN 识别潜在汇聚点并结合程序切片与图检测器排序漏洞路径，在 SARD 缓冲区溢出基准上优于 SliceLocator 和 GNNExplainer。
2025-07-23 cs.CR
The Benefits of Vulnerability Discovery and Bug Bounty Programs: Case Studies of Chromium and Firefox
最近，漏洞赏金计划越来越受欢迎，并成为许多组织安全文化的重要组成部分。漏洞赏金计划使组织能够通过利用外部安全专家群体的各种专业知识（即，臭虫猎人）。尽管如此，量化bug奖励计划的好处仍然难以捉摸，这对管理它们提出了重大挑战。以前的研究侧重于衡量他们的好处，在报告的漏洞的数量或根据报告的漏洞的属性，如严重性或可利用性。然而，除了这些固有的属性，报告的价值还取决于漏洞被内部专家发现和修补它之前被威胁行为者发现的可能性。在本文中，我们提出了一个数据驱动的研究铬和火狐浏览器的可靠性奖励计划。首先，我们估计发现一个漏洞的难度，使用重新发现的概率作为一个新的度量。我们的研究结果表明，漏洞发现和修补通过使威胁行为者难以找到漏洞来提供明显的好处;然而，我们也发现了改进的机会，例如激励漏洞猎人更多地关注开发版本。其次，我们比较了内部与外部发现的漏洞类型以及被威胁行为者利用的漏洞类型。我们观察到外部漏洞猎人，内部安全团队和外部威胁行为者发现的漏洞之间存在显着差异，这表明漏洞奖励计划通过补充内部团队的专业知识提供了重要的好处，但也应该激励外部猎人更多地关注可能被威胁行为者利用的漏洞类型。
2023-02-24 cs.CR
A Slicing-Based Approach for Detecting and Patching Vulnerable Code Clones
本文提出srcVul方法，结合程序切片与局部敏感哈希检测易受攻击的代码克隆并推荐补丁，在漏洞数据库上取得91%精确率和75%召回率。
2025-05-05 cs.CR cs.SE
ConsiDroid: A Concolic-based Tool for Detecting SQL Injection Vulnerability in Android Apps
在本文中，我们提出了一个concolic执行技术，用于检测Android应用程序中的SQL注入漏洞，我们称之为ConsiDroid的新工具。我们使用mocking技术扩展应用程序的源代码，这样原始源代码的执行不受影响。扩展的源代码可以被视为Java应用程序，并且可以由SPF以concolic执行来执行。我们自动地从静态分析中生成一个DummyMain类，以便按顺序调用基本函数，并触发导致易受攻击函数的事件。我们在ConsiDroid中使用污点分析扩展SPF。为了使污点分析成为可能，我们引入了一种新的符号模拟类技术，以减轻污染值在代码中的传播。SQL注入漏洞是通过接收易受攻击的函数的污染值来检测的。此外，ConsiDroid还利用静态分析来调整SPF，以便只检查可疑路径。为了说明ConsiDroid的适用性，我们从F-Droid存储库中随机选择了140个应用程序。从这些应用程序中，我们发现了三个容易受到SQL注入攻击的应用程序。为了验证它们的漏洞，我们使用Robolectric根据ConsiDroid的报告手动分析了这些应用程序。
2019-08-08 cs.CR cs.SE
Making an Invisibility Cloak: Real World Adversarial Attacks on Object Detectors
University of Maryland, College Park（马里兰大学帕克分校）；Facebook AI（Facebook 人工智能研究院）
我们对最先进的目标检测框架进行了对抗攻击的系统研究。使用标准的检测数据集，我们训练模式，抑制了一系列常用的检测器和检测器的合奏产生的对象分数。通过大量的实验，我们对白盒和黑盒设置下的对抗训练补丁的有效性进行了基准测试，并量化了数据集，对象类和检测器模型之间的攻击可转移性。最后，我们提出了一个详细的研究物理世界的攻击使用印刷海报和可穿戴的衣服，并严格量化的性能，这种攻击与不同的指标。
2020-07-22 cs.CR cs.CV cs.LG
If LLMs Would Just Look: Simple Line-by-line Checking Improves Vulnerability Localization
针对LLMs在较长代码上下文中漏洞定位准确性不足的问题，提出LOVA框架，利用自注意力机制跟踪代码行注意力权重，显著提升跨语言漏洞定位精度、可扩展性和鲁棒性。
2025-04-18 cs.CR
Impact assessment for vulnerabilities in open-source software libraries
针对开源软件库漏洞影响评估依赖专家、成本高且易错的问题，本文提出一种与漏洞类型和编程语言无关的实用方法，并通过 Java 概念验证和案例研究展示其可即时评估应用是否受影响。
2015-04-21 cs.CR 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
ICSPatch: Automated Vulnerability Localization and Non-Intrusive Hotpatching in Industrial Control Systems using Data Dependence Graphs
在操作技术（OT）和信息技术（IT）设备之间实现广泛的相互通信的范式转变允许IT世界的典型漏洞传播到OT端。因此，过去通过空气间隙提供的安全层被移除，使得OT设备的安全补丁成为硬性要求。传统的修补涉及设备重新启动以将修补后的代码加载到主存储器中，这不适用于由于停机而控制关键进程的OT设备，从而需要在存储器中修补漏洞。此外，这些控制二进制文件通常由内部专有编译器编译，进一步阻碍了修补过程，并依赖OT供应商快速发现漏洞和开发补丁。当前最先进的热修补方法仅关注固件和/或RTOS。因此，在这项工作中，我们开发ICSPatch，一个框架，自动控制逻辑漏洞本地化使用数据依赖图（DDG）。在DDG的帮助下，ICSPatch精确定位了控制应用程序中的漏洞。作为独立的第二步，ICSPatch可以直接在可编程逻辑控制器的主存储器中非侵入性地修补控制应用程序中的漏洞，同时保持可靠的连续运行。为了评估我们的框架，我们在来自不同关键基础设施部门的24个易受攻击的控制应用程序二进制文件的合成数据集上测试ICSPatch。结果表明，ICSPatch能够成功定位所有漏洞并生成相应的补丁。此外，该补丁在执行周期中增加了可忽略不计的延迟，同时保持了正确性和对漏洞的保护。
2022-12-08 cs.CR cs.SY eess.SY
Taint-Style Vulnerability Detection and Confirmation for Node.js Packages Using LLM Agent Reasoning
Carnegie Mellon University（卡内基梅隆大学）；Google（谷歌）
本文提出LLMVD.js，通过LLM代理实现Node.js包的污点式漏洞检测与验证，有效率达84%，优于传统方法，无需注解或报告。
2026-04-22 cs.AI cs.CR cs.SE
SCRUBD: Smart Contracts Reentrancy and Unhandled Exceptions Vulnerability Dataset
本研究针对现有智能合约漏洞标注数据集场景覆盖有限、标注有误的问题，构建了同时含真实与合成样本、标注RE和UX漏洞的SCRUBD数据集，对比六款检测工具性能，得出不同场景下的最优工具。
2024-12-13 cs.CR
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
One Pipeline Does Not Fit All: TAILOR, a Type- and State-Aware Framework for CVE Reproduction
Xidian University（西安电子科技大学）
TAILOR是一个类型与状态感知的多智能体框架，通过自适应执行路径和前置状态构建，在200个CVE数据集上分别复现59.24%的Web漏洞和44.19%的传统漏洞，提供可审计证据。
2026-09-30 cs.CR
The Vulnerability of the Neural Networks Against Adversarial Examples in Deep Learning Algorithms
随着计算机视觉、网络安全、自然语言处理等领域的深入发展，深度学习技术逐渐暴露出一定的安全隐患。现有的深度学习算法无法有效描述数据的本质特征，使得算法在面对恶意输入时无法给出正确的结果。基于当前深度学习面临的安全威胁，介绍了深度学习中的对抗示例问题，梳理了现有的黑盒和白盒的攻防方法，并进行了分类。简要介绍了近年来一些对抗性实例在不同场景下的应用，比较了对抗性实例的几种防御技术，最后总结了该研究领域存在的问题并对其未来发展进行了展望。本文详细介绍了常见的白盒攻击方法，并进一步比较了黑盒攻击和白盒攻击的异同。相应地，作者还介绍了防御方法，并分析了这些方法对黑盒和白盒攻击的性能。
2020-11-17 cs.CR cs.CV
