An Unbiased Transformer Source Code Learning with Semantic Vulnerability Graph
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；University of the Incarnate Word（圣道大学）
针对开源软件漏洞筛查效果不佳及数据集分布偏移问题，提出结合 RoBERTa、GCN 与语义漏洞图（SVG）的去偏分类器，引入 Poacher Flow 与 Focal Loss 提升检测性能，在多数据集上表现优异并成功发现多个零日漏洞。
2023-04-17 cs.AI cs.CR cs.LG
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
Efficient Software Vulnerability Detection Using Transformer-based Models
DePaul University（德保罗大学）
本文提出利用变压器模型进行C/C++漏洞检测，通过程序切片提取关键语法和语义特征，结合数据平衡和超参数调优，实现高效准确的漏洞识别。
2026-03-31 cs.CR cs.LG cs.SE
Towards an Improved Understanding of Software Vulnerability Assessment Using Data-Driven Approaches
The University of Adelaide（阿德莱德大学）；Centre for Research on Engineering Software Technologies (CREST)（工程软件技术研究中心（CREST））
本论文通过数据驱动方法，系统化知识并提供新技术与建议，以提升软件漏洞评估的理解与实践，促进更及时有效的修复规划。
2023-06-20 cs.CR cs.LG cs.SE
SCoPE: Evaluating LLMs for Software Vulnerability Detection
本研究提出SCoPE框架优化CVEFixes数据集，并微调三个预训练大语言模型进行软件漏洞检测，最佳模型F1分数达53%。
2024-07-19 cs.AI cs.CR cs.LG
Towards Predicting Multi-Vulnerability Attack Chains in Software Supply Chains from Software Bill of Materials Graphs
University of Colorado Colorado Springs (UCCS)（科罗拉多大学科罗拉多斯普林斯分校 (UCCS)）
本文提出基于SBOM图学习的方法，通过构建异构图预测软件供应链中的多漏洞攻击链，验证结果显示模型在识别漏洞关联和预测攻击链方面具有高准确率。
2026-07-17 cs.CR cs.LG cs.SE
CVEfixes: Automated Collection of Vulnerabilities and Their Fixes from Open-Source Software
Simula Research Laboratory（西莫拉研究实验室）
对源代码中安全漏洞的自动发现和修复进行数据驱动的研究需要真实易受攻击的代码及其修复的全面数据集。为了帮助这样的研究，我们提出了一种方法来自动收集和策划一个全面的漏洞数据集，从公共的国家漏洞数据库（NVD）中的常见漏洞和暴露（CVE）记录。我们在一个完全自动化的数据集收集工具中实现了我们的方法，并分享了名为CVEfixes的漏洞数据集的初始版本。CVEfixes收集工具自动从NVD获取所有可用的CVE记录，从相关的开源存储库收集易受攻击的代码和相应的修复程序，并将收集到的信息组织到关系数据库中。此外，数据集还包含了诸如程序设计语言等元数据，以及五个抽象级别的详细代码和安全度量。该集合可以很容易地重复，以保持最新的新发现或修补的漏洞。CVE修复的初始版本涵盖了截至2021年6月9日的所有已发布的CVE，涵盖了1754个开源项目的5365条CVE记录，这些项目在总共5495次漏洞修复提交中得到了解决。CVEfixes支持各种类型的数据驱动的软件安全研究，例如漏洞预测，漏洞分类，漏洞严重性预测，分析与安全性相关的代码更改以及自动漏洞修复。
2021-07-19 cs.AI cs.CR cs.LG
Reinforcement Learning for Software Vulnerability Analysis: A Systematic Review with Emphasis on C/C++ Source Code and Static Analysis
系统综述强化学习在C/C++软件漏洞分析中的应用，发现15项研究聚焦于模糊测试和引导探索，仅3项直接检测漏洞，1项实现语句级定位，且静态结构表示（如CFG）和基准测试存在不足。
2026-06-24 cs.AI cs.CR cs.LG
Propagation-Based Vulnerability Impact Assessment for Software Supply Chains
提出基于分层工作列表的算法和VPSS动态指标，实现全生态系统调用图级漏洞传播分析，并在Java Maven生态系统的100个真实漏洞上验证了有效性。
2025-10-09 cs.CR cs.SE
A Historical and Statistical Studyof the Software Vulnerability Landscape
了解软件漏洞的情况是开发有效安全解决方案的关键。幸运的是，对使用框架来传达漏洞属性及其严重性分数的漏洞数据库（如通用漏洞评分系统（CVSS））的评估可以帮助揭示公开发布的漏洞的性质。在本文中，我们通过使用国家漏洞数据库中的数据，对2005年至2019年期间的CVSS漏洞指标进行历史和统计分析，来描述软件漏洞的特征。我们进行了三项研究，分析如下：CVSS分数的分布（经验和理论），CVSS度量值的分布和脆弱性特征如何随时间变化，以及最频繁的度量值随时间的相对排名。我们的分析结果表明，脆弱性威胁景观已占主导地位，只有少数几个脆弱性类型，并在研究期间变化不大。绝大多数漏洞都可以通过网络利用。成功利用这些漏洞的复杂性非常低;成功的攻击只需要对目标受害者进行很少的身份验证。大多数缺陷需要与用户进行非常有限的互动。然而，从积极的方面来看，这些漏洞的损害主要局限于受影响组件的安全范围内。讨论了从这一分析中可以吸取的经验教训。
2021-02-02 cs.CR
VulDeePecker: A Deep Learning-Based System for Vulnerability Detection
Huazhong University of Science and Technology（华中科技大学）；Hebei University（河北大学）；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）
软件漏洞的自动检测是一个重要的研究课题。然而，该问题的现有解决方案依赖于人类专家来定义特征，并且经常错过许多漏洞（即，导致高假阴性率）。在本文中，我们开始研究使用基于深度学习的漏洞检测，以减轻人类专家手动定义特征的繁琐和主观任务。由于深度学习的动机是处理与漏洞检测问题非常不同的问题，因此我们需要一些将深度学习应用于漏洞检测的指导原则。特别是，我们需要找到适合深度学习的软件程序的表示。为此，我们建议使用代码小工具来表示程序，然后将它们转换为向量，其中代码小工具是一些（不一定是连续的）代码行，这些代码行在语义上彼此相关。这导致了一个基于深度学习的漏洞检测系统的设计和实现，称为Vulnerability Deep Pecker（VulDeepPecker）。为了评估VulDeePecker，我们为深度学习方法提供了第一个漏洞数据集。实验结果表明，VulDeePecker可以实现比其他方法少得多的假阴性（具有合理的假阳性）。我们进一步将VulDeePecker应用于3个软件产品（即Xen，Pionkey和Libav），并检测到4个漏洞，这些漏洞在国家漏洞数据库中没有报告，但在发布这些产品的后续版本时被供应商“默默”修补;相比之下，这些漏洞几乎完全被我们实验的其他漏洞检测系统所遗漏。
2018-01-05 cs.AI cs.CR cs.LG
Do Chase Your Tail! Missing Key Aspects Augmentation in Textual Vulnerability Descriptions of Long-tail Software through Feature Inference
针对长尾软件文本漏洞描述关键维度缺失的问题，提出含名称标准化、LLM生成、CWE聚类选例、NLI校验的特征推断框架，提升漏洞分析效率。
2024-12-15 cs.CR cs.SE
Vulnerability Detection is Just the Beginning
漏洞检测在安全软件开发中起着关键作用。有许多不同的漏洞检测工具和技术可供选择，但有关使用哪些漏洞检测技术以及何时使用的信息不足。本研究的目的是通过对每种技术的效率和有效性的实证分析，帮助管理者和其他决策者在软件项目中对使用不同的软件漏洞检测技术做出明智的选择。我们将在两个项目中检查用于查找漏洞的漏洞检测技术、发现的漏洞类型、漏洞的可利用性以及修复漏洞所需的工作量之间的关系，我们将确保所有发现的漏洞均已修复。然后，我们将研究如何在更广泛的开源软件中看到这些关系，其中从业者可能会使用不同的漏洞检测技术，或者可能不会修复由于资源限制而发现的所有漏洞。
2021-03-09 cs.CR cs.SE
Vulnerability Patching Across Software Products and Software Components: A Case Study of Red Hat's Product Portfolio
本文基于分段回归分析研究了1999至2024年Red Hat产品和组件的漏洞修补时间序列，发现易受攻击数量呈不稳定的线性趋势且存在断点，表明安全债务可能趋于稳定。
2025-09-16 cs.CR cs.SE
LLMs in Software Security: A Survey of Vulnerability Detection Techniques and Insights
Texas A&M University（得克萨斯农工大学）；City University of Hong Kong（香港城市大学）
本文综述 LLMs 在软件漏洞检测中的模型、方法、数据集与指标，分析现有挑战并提出统一框架和未来方向。
2025-02-12 cs.AI cs.CR
Improving Discovery of Known Software Vulnerability For Enhanced Cybersecurity
针对非标准化CPE字符串导致漏洞检测不匹配的问题，提出多层清理与模糊匹配方法，将检测准确率提升40%。
2024-12-21 cs.CR
Security Vulnerability Detection Using Deep Learning Natural Language Processing
Ball State University（鲍尔州立大学）；Illinois State University（伊利诺伊州立大学）
几十年来，在软件被利用之前检测软件中的安全漏洞一直是一个具有挑战性的问题。传统的代码分析方法已经被提出，但通常是无效和低效的。在这项工作中，我们将软件漏洞检测建模为一个自然语言处理（NLP）问题，将源代码视为文本，并使用最近先进的深度学习NLP模型，辅以书面英语的迁移学习，来解决自动化软件venerability检测问题。为了进行培训和测试，我们对NIST NVD/SARD数据库进行了预处理，并使用$C$程序设计语言构建了一个包含123种漏洞的10万多个文件的数据集。大量的实验表明，该算法在安全漏洞检测中的准确率达到了93%以上。
2021-05-06 cs.AI cs.CR
MVD: A Multi-Lingual Software Vulnerability Detection Framework
TikTok；CREST - Centre for Research on Engineering Software Technologies（CREST——工程软件技术研究中心）；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）
针对现有漏洞检测方法多聚焦单语言、未利用跨语言知识协同的问题，提出多语言漏洞检测框架MVD，通过多语言数据联合学习与增量学习实现跨语言检测，在11K+漏洞数据集上PR-AUC较SOTA提升83.7%-193.6%。
2024-12-09 cs.CR cs.LG cs.SE
Constructing a Knowledge Graph from Textual Descriptions of Software Vulnerabilities in the National Vulnerability Database
Simula Research Laboratory（西穆拉研究实验室）；University of Oslo（奥斯陆大学）；Norwegian Computing Center（挪威计算中心）；BI Norwegian Business School（BI挪威商学院）
提出从NVD文本构建漏洞知识图谱的新方法，结合NER、关系抽取与实体预测，修复缺失实体并评估性能。
2023-05-15 cs.AI cs.CL cs.CR
Establishing Minimum Elements for Effective Vulnerability Management in AI Software
本文探讨了AI软件漏洞管理的最低要素，提出建立人工智能漏洞数据库（AIVD）及标准化披露格式，并指出需开发新的严重性评分与弱点枚举系统以应对AI漏洞的独特性。
2025-10-13 cs.CR
Software Vulnerability Analysis Using CPE and CVE
在本文中，我们分析了通用平台枚举（CPE）字典和通用漏洞和暴露（CVE）提要。这些存储库广泛用于漏洞管理系统（VMSs）中，以检查软件产品中的已知漏洞。分析显示，除其他问题外，两个数据集之间缺乏同步，可能导致依赖这些数据集的VMS输出不正确的结果。为了处理这些问题，我们开发了一种方法，建议给用户一个优先级列表的CPE标识符为一个给定的软件产品。然后，用户可以将最合适的CPE标识符分配（并且，如果必要的话，适配）给软件，使得常规的（例如，日常）检查可以在CVE提要中找到此软件的已知漏洞。我们对这种方法的评估表明，这种相互作用确实是必要的，因为一个完全自动化的CPE分配是容易出错，由于CPE和CVE的缺点。我们实现了一个采用所提出方法的开源VMS，并将其发布在GitHub上。
2017-05-15 cs.CR
On the Effectiveness of Instruction-Tuning Local LLMs for Identifying Software Vulnerabilities
KAIST Cyber Security Research Center（韩国科学技术院网络安全研究中心）
本文提出通过指令微调本地LLM来提升软件漏洞识别效果，替代依赖API的大型模型，实现更高效、安全的漏洞管理。
2025-12-23 cs.AI cs.CR
Variables are a Curse in Software Vulnerability Prediction
Institute of Information Systems (IFIS), University of Lübeck（吕贝克大学信息系统研究所（IFIS））
本文针对变量命名无限多样导致深度学习漏洞预测难以学习程序内在功能的问题，提出名称依赖边、抽象语法图和3属性编码方案，去除具体变量名，显著提升预测性能并大幅降低内存占用。
2024-06-18 cs.AI cs.CR cs.LG
S3C2 SICP Summit 2025-06: Vulnerability Response Summit
North Carolina State University（北卡罗来纳州立大学）；George Washington University（乔治华盛顿大学）；Software Innovation Campus Paderborn, Paderborn University（帕德博恩大学软件创新校区）；Paderborn University（帕德博恩大学）；University of Maryland, College Park（马里兰大学帕克分校）；Carnegie Mellon University（卡内基梅隆大学）
S3C2与SICP联合举办漏洞响应峰会，探讨软件供应链安全中的漏洞响应、工具使用及行业挑战，促进跨组织合作与经验共享。
2025-12-02 cs.CR
A Mixed-Methods Study of Open-Source Software Maintainers On Vulnerability Management and Platform Security Features
本文通过清单调查和半结构化访谈研究OSS维护者对漏洞管理和平台安全的视角，发现供应链不信任和缺乏自动化是主要挑战，并探讨了如何更好地支持漏洞管理。
2025-02-03 cs.CR cs.SE
AI-Based Software Vulnerability Detection: A Systematic Literature Review
本研究对2018-2023年AI驱动的软件漏洞检测研究做系统性综述，梳理技术分类，指出主流方法与现存局限，提出未来研究方向。
2025-06-12 cs.CR cs.SE
Evaluating LLaMA 3.2 for Software Vulnerability Detection
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD), School of Engineering of the Polytechnic of Porto（波尔图理工学院工程学院）；INESC TEC/Polytechnic of Porto - School of Engineering（INESC TEC/波尔图理工学院工程学院）
本文针对 DiverseVul 数据集中的不一致问题提出精炼版本，并用其微调 LLaMA 3.2 进行漏洞检测，使 F1-Score 从基线 47% 提升至 66%。
2025-03-10 cs.AI cs.CR cs.LG
The Coming Era of AlphaHacking? A Survey of Automatic Software Vulnerability Detection, Exploitation and Patching Techniques
随着DARPA主办的网络大挑战赛（CGC）的成功举办，自主网络推理系统（CRS）的研究引起了业界和学术界的广泛关注。利用自动化系统来检测，利用和修补软件漏洞似乎是如此有吸引力，因为它的可扩展性和成本效益相比，人类专家为基础的解决方案。在本文中，我们给出了广泛的调查以前的代表性工作相关的底层技术的CRS，包括漏洞检测，利用和修补。作为重要补充，我们随后回顾了几项探索机器学习技术在该领域潜力的先驱研究，并指出Autonomous CRS的未来发展离不开机器学习。
2018-05-30 cs.CR
Vulnerability Abundance: A formal proof of infinite vulnerabilities in code
Concinnity Risks Ltd.（Concinnity Risks有限公司）；University of Twente（特温特大学）
本文通过构造性证明，展示了一个C程序能产生可数无限个独立CVE可分配的软件漏洞，并引入漏洞丰富性概念，探讨其在软件漏洞分布中的量化意义。
2026-05-01 cs.CC cs.CR
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
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
Deep Learning Aided Software Vulnerability Detection: A Survey
本综述分析了2017至2024年34项相关研究，首次引入“漏洞检测生命周期”框架，系统比较基于深度学习的软件漏洞检测方法，探讨各阶段关键问题与挑战，为未来该领域的深度学习应用提供指导。
2025-03-06 cs.CR cs.SE
Bridging Semantics & Structure for Software Vulnerability Detection using Hybrid Network Models
The George Washington University（乔治·华盛顿大学）
提出将程序异构图表示与轻量级本地LLM结合的混合框架，在Java漏洞检测中达93.57%准确率，同时提取子图生成解释，提升可解释性。
2025-10-11 cs.AI cs.CR 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
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
Bridging AI and Software Security: A Comparative Vulnerability Assessment of LLM Agent Deployment Paradigms
University of Manouba（马努巴大学）；University of Jendouba（坚杜拜大学）；University of Sfax（斯法克斯大学）；DataDoIt；South Mediterranean University（南地中海大学）
本研究通过统一威胁框架比较函数调用与MCP两种LLM智能体部署范式，发现函数调用攻击成功率更高，链式攻击效果显著，为安全部署提供实证指导。
2025-07-08 cs.AI cs.CR
A Study on Mixup-Inspired Augmentation Methods for Software Vulnerability Detection
Department of Computer Science University of Manitoba（计算机科学系曼尼托巴大学）
本文探索在表示层面增强漏洞数据以提升深度学习模型检测性能，评估五种增强技术及条件版本，发现其可将F1分数提高达9.67%，但效果不及随机过采样。
2025-04-26 cs.CR cs.LG cs.SE
Resource-Efficient Automatic Software Vulnerability Assessment via Knowledge Distillation and Particle Swarm Optimization
School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院）；Nantong University（南通大学）；State Key Lab. for Novel Software Technology（新型软件技术国家重点实验室）；Nanjing University（南京大学）；College of Computer Science and Technology（计算机科学与技术学院）；Nanjing University of Aeronautics and Astronautics（航空航天大学）；School of Computing and Information Systems（计算与信息系统学院）
本文提出一种集成知识蒸馏与粒子群优化的资源高效框架，通过优化紧凑学生模型架构并从大模型蒸馏知识，在大幅缩减模型大小和训练搜索时间的同时，保持了高准确率的自动化软件漏洞评估。
2025-08-08 cs.CR cs.LG
Software Vulnerability Analysis Across Programming Language and Program Representation Landscapes: A Survey
本综述系统考察多种编程语言、程序表示级别、漏洞类别和主流检测技术，旨在弥合漏洞分析领域碎片化现状，明确实践优势、局限及未来研究方向。
2025-03-26 cs.CR
Examining the Effectiveness of Transformer-Based Smart Contract Vulnerability Scan
Bahcesehir University（巴希谢希尔大学）
本文提出VASCOT，一种基于Transformer的智能合约漏洞扫描器，通过序列分析和滑动窗口机制评估深度学习方法在检测以太坊智能合约漏洞中的有效性，并与LSTM模型进行对比分析。
2026-01-12 cs.CR cs.SY eess.SY
Automated Software Vulnerability Static Code Analysis Using Generative Pre-Trained Transformer Models
Sandia National Laboratories（桑迪亚国家实验室）；New Mexico Tech（新墨西哥理工学院）
本文评估了5个开源GPT模型在NIST SARD数据集上自动检测C/C++代码漏洞的效果，发现其假阳性与假阴性率过高，不适合全自动漏洞扫描，但在部分测试用例中表现优于随机采样，最佳模型Llama-2-70b-chat-hf在缓冲区溢出用例上实现了召回率与精确率均为1.0。
2024-07-31 cs.AI cs.CL cs.CR
Toward Validation of Textual Information Retrieval Techniques for Software Weaknesses
本文提出了一个初步的验证常见的文本信息检索技术映射的非结构化软件漏洞信息，以不同的软件弱点。验证是用从Snyk漏洞数据库中跟踪的四个软件存储库编译的数据集进行的。根据结果，所使用的信息检索技术执行不令人满意的正则表达式搜索相比。虽然结果因存储库而异，但初步验证表明，明确引用漏洞和弱点标识符对于具体的漏洞跟踪是更可取的。这种参考允许使用基于关键字的搜索，与信息检索技术相比，基于关键字的搜索目前似乎产生更一致的结果。然而，需要进一步的验证工作来提高技术的精确度。
2018-09-05 cs.CR cs.IR
Tracing Vulnerability Propagation Across Open Source Software Ecosystems
本文分析了超84,000个漏洞在28个开源软件生态系统中的传播，发现传播序列复杂且延迟长，为软件生态系统、可追溯性和漏洞知识库做出了贡献。
2025-09-16 cs.CR cs.SE
The Distributed Open-Source Vulnerability Ecosystem
Munich University of Applied Sciences（慕尼黑应用科学大学）；Findustrial GmbH（Findustrial有限公司）
研究软件供应链安全中漏洞识别问题，提出将漏洞管理视为信息交换与转换分布式过程的概念框架，追踪漏洞信息流程，分析扫描器结果不一致原因，探讨对相关方面的影响。
2026-07-17 cs.CR cs.SE
Vulnerability Detection in Open Source Software: An Introduction
本文介绍了开源软件漏洞产生的原因、它们在网络安全生态系统中的重要性以及检测方法的选择。最近的一份应用程序安全报告显示，44%的应用程序在开源组件中包含关键漏洞，这一比例令人担忧。大多数公司没有一种可靠的方式，可以在发现零日漏洞时直接及时通知，然后在补丁可用时通知。这意味着开源中的攻击媒介存在的时间超过了必要的时间。传统的方法来脆弱性检测概述了一些新的研究趋势。得出的结论是，它可能不可能完全取代专家的人检查的开放源码软件，虽然它可以有效地增强技术，如机器学习，IDE插件和存储库链接，使实施和审查时间不那么密集。任何技术进步的基础都应该是人类更好的知识。开发团队需要培训、指导和改进，以便他们能够更安全地实现开源，知道要寻找哪些漏洞以及如何处理它们。使用这种混合方法进行检测是关键。
2022-03-06 cs.CR
Harnessing Large Language Models for Software Vulnerability Detection: A Comprehensive Benchmarking Study
School of Information Technologies Tallinn University of Technology（塔林理工大学信息技术学院）；School of Informatics, Computing, and Cyber Systems Northern Arizona University（北亚利桑那大学信息学、计算与网络系统学院）
针对传统漏洞检测工具的不足，本研究提出用大型语言模型（LLMs）检测源代码漏洞，测试多种LLM及最佳提示策略，对比传统工具后发现LLMs在召回率和F1分数上更优，能识别更多问题，为开发和安全人员提供帮助。
2024-05-24 cs.AI cs.CR cs.SE
Data and Context Matter: Towards Generalizing AI-based Software Vulnerability Detection
School of Electrical Engineering and Computer Science, National University of Sciences and Technology（电气工程与计算机科学学院，国立科学与技术大学）
本研究提出VulGate高质量数据集，通过实验证明数据质量与编码器模型选择能显著提升AI漏洞检测的泛化能力，在BigVul上召回率提升6.8%。
2025-10-06 cs.AI cs.CR cs.SE
Vulnerability Detection in C/C++ Code with Deep Learning
School of Computing, DePaul University（德保罗大学计算学院）
本研究利用从C/C++源代码提取的程序切片训练神经网络，结合多种特征和平衡数据，实现漏洞检测，其中BGRU+ADAM准确率达92.49%。
2024-05-28 cs.CR cs.LG
Learning to map source code to software vulnerability using code-as-a-graph
IBM Research（IBM研究院）
我们从安全的角度探讨了图神经网络在学习源代码的细微差别方面的适用性。具体来说，源代码中的漏洞签名是否可以从其图表示中学习，根据节点和边缘之间的关系。我们创建了一个称为AI4VA的管道，它首先将示例源代码编码为代码属性图。然后以保留其语义信息的方式对所提取的图进行矢量化。然后，使用多个此类图来训练门控图神经网络，以自动提取区分脆弱样本图和健康样本图的模板。我们的模型在我们实验的三个数据集中的两个数据集上优于静态分析器，经典机器学习以及基于CNN和RNN的深度学习模型。因此，我们表明，代码作为图形编码是更有意义的漏洞检测比现有的代码作为照片和线性序列编码方法。（2019年10月提交，论文#28，ICST）
2020-06-15 cs.CR cs.LG cs.PL
SEC-bench: Automated Benchmarking of LLM Agents on Real-World Software Security Tasks
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Purdue University（普渡大学）
针对现有LLM智能体安全评估基准脱离真实场景的问题，提出全自动化基准框架SEC-bench，通过多智能体支架构建真实漏洞数据集，测试显示前沿LLM在PoC生成和漏洞修复任务上成功率极低，指明了安全领域LLM智能体的改进方向。
2025-10-22 cs.CR cs.LG
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
A Suite of Metrics for Calculating the Most Significant Security Relevant Software Flaw Types
常见弱点枚举（CWE）是软件弱点类型的突出列表。漏洞数据库使用此列表来描述所分析漏洞中的潜在安全缺陷。这种联系使人们有可能利用对软件漏洞的分析来确定造成这些漏洞的最重要的弱点。我们通过创建mashup视图来实现这一点，该视图将CWE弱点分类与漏洞分析数据相结合。生成的图将CWE作为节点，从多个CWE分类中导出的边，以及用漏洞分析信息装饰的节点（从子节点传播到父节点）。使用这些图表，我们开发了一套指标来识别最重要的弱点类型（使用频率，影响，可利用性和整体严重性的角度）。
2020-06-15 cs.CR
A comparative study of neural network techniques for automatic software vulnerability detection
Harbin Engineering University（哈尔滨工程大学）；Institute of System Engineering, Chinese Academy of Military Science（军事科学院系统工程研究院）；Shenzhen University（深圳大学）
软件漏洞通常是由设计缺陷或实现错误引起的，这些漏洞可能会被利用来破坏系统的安全性。目前，检测软件漏洞最常用的方法是静态分析。大多数相关技术基于规则或代码相似性（源代码级别）工作，并依赖于手动定义的漏洞特征。然而，这些规则和脆弱性特征很难精确定义和设计，使得静态分析在实际应用中面临诸多挑战。为了缓解这一问题，一些研究人员提出使用具有自动特征提取能力的神经网络来提高检测的智能性。然而，神经网络的类型很多，不同的数据预处理方法会对模型性能产生重大影响。对于给定的问题，如何选择合适的神经网络和数据预处理方法是工程师和研究人员面临的一个巨大挑战。为了解决这个问题，我们进行了大量的实验来测试两个最典型的神经网络的性能（即，Bi-LSTM和RVFL）与两种最经典的数据预处理方法（即，向量表示法和程序符号化方法）对软件漏洞检测问题的研究，得到了一系列有趣的研究结论，可为研究人员和工程师提供有价值的指导。具体来说，我们发现：1）RVFL的训练速度始终快于BiLSTM，但Bi-LSTM模型的预测精度高于RVFL; 2）使用doc 2 vec进行向量表示，可以使模型比使用word 2 vec具有更快的训练速度和泛化能力; 3）多级符号化有助于提高神经网络模型的精度。
2021-04-29 cs.CR cs.LG cs.SE
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
