Understanding Static Code Warnings: an Incremental AI Approach
基于知识的系统对一些知识库进行推理。因此,这样的系统的一个重要问题是如何获得他们的推理所需的知识。本文评估了获取“静态代码警告”知识的主动学习方法。静态代码分析是一种广泛使用的检测软件系统中的错误和安全漏洞的方法。随着软件变得越来越复杂,分析工具也会报告开发人员每天需要解决的越来越复杂的警告列表。这样的静态代码分析工具通常过于谨慎;也就是说,它们经常提供许多关于虚假问题的警告。以前的研究工作表明,SA工具报告的错误中约有35%到91%的警告实际上是不可操作的(即,开发人员不会采取行动的警告,因为它们被错误地建议为bug)。有经验的开发人员知道哪些错误是重要的,哪些可以安全地忽略。我们如何捕捉这种体验?本文报告了一个增量AI工具,它可以观察人类阅读误报报告。使用增量支持向量机机制,这个AI工具可以快速学习区分虚假的假警报和值得进一步关注的更严重的问题。在这项工作中,九个开源项目被用来评估我们提出的模型对以前的研究人员提取的特征,并确定我们的算法给出的优先级顺序的可操作的警告。我们观察到,当我们的方法告诉人类忽略70%到80%的警告时,我们的模型可以识别超过90%的可操作警告。
2020-10-22 cs.SE
Are automated static analysis tools worth it? An investigation into relative warning density and external software quality
自动化静态分析工具(ASAT)是软件开发最佳实践的一部分。ASAT能够警告开发人员代码中的潜在问题。一方面,反卫星技术是基于最佳做法,因此对软件质量应该有明显的影响。另一方面,ASAT遭受误报警告,开发人员必须检查这些警告,然后忽略或标记为无效。在本文中,我们使用PMD for Java的例子来询问ASAT是否对外部软件质量有可测量的影响。我们调查了PMD对每个更改和每个文件的缺陷发出的ASAT警告之间的关系。我们的案例研究包括每个文件的历史数据以及更改的文件与包含它们的项目之间的差异。我们调查导致缺陷的文件是否比项目的其余部分具有更多的静态分析警告。此外,我们调查的影响,两套不同的反卫星武器规则。我们发现,在那个时间点,bug诱导文件包含的静态分析警告比项目的其他文件少。然而,这可以用整体警报密度下降来解释。当与所有其他的变化相比,我们发现一个统计上显着的差异,在一个指标的所有规则和两个指标的一个子集的规则。然而,在所有情况下,效果大小都可以忽略不计,这表明bug诱导更改和其他更改之间的警告密度的实际差异充其量也很小。
2021-11-18 cs.SE
A Longitudinal Study of Static Analysis Warning Evolution and the Effects of PMD on Software Quality in Apache Open Source Projects
自动化静态分析工具(ASAT)已经成为软件开发工作流程的主要部分。根据生成的警告,即,更改警告中指示的代码,最迟应该是代码评审阶段的一部分。尽管这是软件开发中的最佳做法,但仍缺乏关于反卫星武器在野外使用的实证研究。在这项工作中,我们希望通过PMD作为ASAT及其在开源项目中的使用的例子来研究软件中的ASAT警告趋势。我们分析了54个项目的提交历史(总共112,266次提交),考虑了193个PMD规则和61个PMD版本。我们调查的趋势,反卫星武器警告超过17年的选定的研究对象有关的变化,警告类型,反卫星武器的使用的短期和长期的影响,并在警告的严重程度的变化。我们发现,ASAT警告的大规模全球变化主要是由于大括号和命名约定的编码风格变化。我们还发现,令人惊讶的是,项目构建过程中PMD的存在对每行代码中警告数量的警告删除趋势的影响很小,并且在统计上不显着。无论如何,如果我们考虑缺陷密度作为外部质量的代表,如果PMD存在于我们研究对象的构建配置中,我们会看到积极的影响。
2020-08-27 cs.SE
Quieting the Static: A Study of Static Analysis Alert Suppressions
本研究通过分析1,425个Java项目,揭示了静态分析警告抑制的使用模式,发现误报占比小但技术债务显著,强调需改进工具沟通与教育以提升静态分析有效性。
2023-11-13 cs.SE
Assessing Validity of Static Analysis Warnings using Ensemble Learning
Cisco Systems(思科系统公司)
静态分析(SA)工具用于识别代码中的潜在弱点,并在代码开发过程中提前修复这些弱点。在具有高复杂性的遗留代码库中,这些基于规则的静态分析工具通常会在报告实际警告的同时报告大量错误警告。尽管SA工具发现了许多隐藏的错误,但它们被大量的虚假警告所掩盖。开发人员花费大量的时间和精力来识别真正的警告。除了影响开发人员的生产力外,由于这一挑战,真正的bug也会被遗漏。为了解决这个问题,我们提出了一个基于机器学习(ML)的学习过程,该过程使用源代码、历史提交数据和分类器集成来优先考虑给定警告列表中的True警告。该工具集成到开发工作流中,以过滤掉错误警告并优先考虑实际错误。我们评估了我们的方法对网络C代码,从一个大的数据池的静态分析警告报告的工具。开发人员会不时地处理这些警告,将其标记为真实的bug或假警报。ML模型在对代码功能进行全面监督的情况下进行训练。我们的研究结果证实,在传统的静态分析报告中应用深度学习是一种可以大幅降低误报率的可靠方法。
2021-04-21 cs.LG cs.SE
How to Find Actionable Static Analysis Warnings: A Case Study with FindBugs
North Carolina State University(北卡罗来纳州立大学);Singapore Management University(新加坡管理大学);Meta Platforms, Inc.(Meta平台公司)
自动生成的静态代码警告遭受大量的错误警报。因此,开发人员只对这些警告中的一小部分采取行动。为了更好地预测哪些静态代码警告不应该被忽略,我们建议分析师需要更深入地研究他们的算法,以找到更好地改善特定问题细节的选择。具体来说,我们在这里表明,有效的预测,这样的警告,可以创建本地调整的决策边界(之间的可操作的警告和其他)的方法。这些方法为识别可操作的静态代码警告提供了一个新的高水印。对于八个开源Java项目(cassandra,jmeter,commons,lucene-solr,maven,ant,tomcat,derby),我们在4/8个数据集上获得了完美的测试结果,总体而言,AUC(真阴性,真阳性曲线下面积)的中位数为92%。
2022-12-23 cs.LG cs.SE
CodeCureAgent: Automatic Classification and Repair of Static Analysis Warnings
CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍兹信息安全中心)
本文提出CodeCureAgent,利用大语言模型代理自动分析、分类和修复静态分析警告,通过三步启发式方法生成合理修复方案,有效提升代码质量。
2026-04-13 cs.MA cs.SE
Detecting False Alarms from Automatic Static Analysis Tools: How Far are We?
自动静态分析工具(ASAT),如Findbugs,具有很高的误报率。产生的大量假警报对采用构成了障碍。研究人员已经提出使用机器学习来修剪错误警报,并仅向开发人员提供可操作的警告。这项最先进的研究已经确定了一组“黄金特性”,这些特性是基于对文件、代码和警告的特征和历史记录计算的度量标准。最近的研究表明,使用这些特征的机器学习非常有效,并且它们几乎达到了完美的性能。我们进行了详细的分析,以更好地了解“黄金特性”的强劲表现。我们发现,有几项研究使用了一种实验程序,导致数据泄漏和数据重复,这是具有重大意义的微妙问题。首先,地面事实标签已经泄露到测量给定上下文中可操作警告比例的功能中。其次,测试数据集中的许多警告出现在训练数据集中。接下来,我们展示了确定地面实况标签的警告预言中的局限性,这是一种将给定版本中的警告与未来的参考版本进行比较的启发式方法。我们发现,参考修订的选择影响的警告分布。此外,启发式产生的标签与人类的预言不一致。因此,以前看到的这些技术的强大性能是过于乐观的,如果在实践中采用它们的真实性能。我们的研究结果传达了几个教训,并提供评估虚警检测器的指导方针。
2022-02-12 cs.SE
A Large-Scale Collection Of (Non-)Actionable Static Code Analysis Reports
University of Szeged(塞格德大学);FrontEndART Ltd.(FrontEndART有限公司)
针对静态代码分析警报疲劳问题,本文提出可执行/不可执行SCA警告收集分类方法,构建了超百万条Java警告的大规模数据集NASCAR并公开,支撑相关研究。
2025-11-13 cs.SE
Automated Static Warning Identification via Path-based Semantic Representation
针对静态分析告警误报率高的问题,本文提出利用控制流图路径和微调预训练语言模型捕获代码语义,实现自动化警告识别,并在八个开源项目上验证有效性。
2023-06-27 cs.SE
At Ease with Your Warnings: The Principles of the Salutogenesis Model Applied to Automatic Static Analysis
自动运行静态分析的结果可能会让人不知所措,尤其是对于初学者。信息的泛滥以及由此产生的需要做出许多决定的情况会使人精神疲惫,并可能导致压力症状。在医疗保健领域,有几种模式旨在对抗压力。其中之一是Aaron Antonovsky创建的salutogenesis模型。在本文中,我们将提出一个想法,如何将此模型转换为一个分流和推荐模型的静态分析工具,并给出了一个例子,这可以实现在FindBugs,一个静态分析工具的Java。
2016-11-23 cs.PL cs.SE
Actionable Warning Is Not Enough: Recommending Valid Actionable Warnings with Weak Supervision
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);Shanghai Institute for Advanced Study, Zhejiang University(浙江大学上海高等研究院);Huawei(华为)
针对静态分析工具可操作警告存在大量无效项的问题,通过构建大型数据集并提出两阶段框架ACWRecommender,实现对真实漏洞可操作警告的精准推荐,实验与实际应用验证了其有效性。
2025-11-15 cs.SE
FuzzSlice: Pruning False Positives in Static Analysis Warnings Through Function-Level Fuzzing
FuzzSlice通过函数级代码切片与模糊测试,自动剪除静态分析警告中的误报,在Juliet数据集和开源项目中分别减少100%和62.26%的误报。
2024-02-02 cs.CR cs.SE
DeepFWI: Identifying Bug-Sensitive Warnings with Multi-Modal Code-Warning Semantics
Nankai University(南开大学);Beihang University(北京航空航天大学);Nanyang Technological University(南洋理工大学);Shanghai Jiaotong University(上海交通大学);Singapore Institute of Technology(新加坡科技工程研究学院);East China Normal University(华东师范大学);Xidian University(西安电子科技大学)
本文提出 DeepFWI,通过多模态语义学习识别细粒度的 bug 敏感警告,采用 LSTM 模型捕捉代码与警告的关联,实验表明其在 F1-score 上优于基线方法。
2026-04-21 cs.SE
What really changes when developers intend to improve their source code: a commit-level study of static metric value and static analysis warning changes
许多软件度量被设计用来度量那些被认为与软件质量相关的方面。静态软件度量,例如,规模、复杂性和耦合性被用于缺陷预测研究以及软件质量模型来评估软件质量。虽然这表明了质量和软件度量之间的关系,但它的程度还没有得到很好的理解。此外,最近的研究发现,复杂性度量可能是源代码可理解性的不可靠指标。为了探索这种关系,我们利用开发人员的意图,即什么构成了他们自己代码库的质量改进。我们通过检查提交消息,将来自54个Java开源项目的2,533个提交的随机样本手动分类为质量改进,这取决于开发人员的意图。我们通过预定义的指导方针区分完美和纠正性维护,并将这些数据用作基础事实,用于微调自然语言处理的最先进的深度学习模型。我们使用该模型将数据集增加到125,482次提交。基于由此产生的数据集,我们调查的差异大小和14静态源代码指标之间的变化,提高质量,由开发人员表示,和其他变化。我们发现,质量改善提交比其他提交更小。完美的更改对静态源代码指标有积极的影响,而纠正性更改则倾向于增加复杂性。此外,我们发现,文件的目标是完善的维护已经有一个较低的中位数比其他文件的复杂性。我们的研究结果提供了经验证据,静态源代码度量捕获质量改进从开发人员的角度来看。这对程序理解以及代码气味检测和推荐系统都有影响。
2022-05-30 cs.SE
A Critical Comparison on Six Static Analysis Tools: Detection, Agreement, and Precision
背景开发人员使用自动化静态分析工具(ASAT)来控制源代码中的潜在质量问题,包括缺陷和技术债务。工具供应商已经设计了相当多的工具,这使得从业者更难选择最适合他们需要的工具。为了更好地支持开发人员,研究人员一直在对ASAT进行一些研究,以帮助了解其实际能力。目的。尽管到目前为止已经做了很多工作,但仍然缺乏以下方面的知识:(1)哪些源质量问题实际上可以通过静态分析工具警告检测到,(2)它们的一致性如何,以及(3)它们的建议的精度如何。我们的目标是弥合这一差距,提出了一个大规模的比较六个流行的静态分析工具的Java项目:更好的代码中心,检查风格,覆盖扫描,Findbugs,PMD和SonarQube。法我们分析了47个Java项目,并得出了6个国家的实践ASAT提出的警告分类。为了评估他们的一致性,我们通过手动分析(在生产线层面)来比较他们是否发现了相同的问题。最后,我们手动评估工具的精度。结果主要结果报告了反卫星武器警告的全面分类,显示工具之间几乎没有一致性,精确度很低。结论.我们提供了一个分类法,可以是有用的研究人员,从业者和工具供应商映射的工具的当前功能。此外,我们的研究提供了不同工具之间的协议的第一个概述,以及其精度的广泛分析。
2021-01-21 cs.SE
Prioritizing Software Inspection Results using Static Profiling
静态软件检查工具作为一个附加的自动化软件检查步骤非常有用,可以很容易地集成到开发周期中,并有助于创建安全,可靠和高质量的代码。然而,这些工具的一个经常被引用的缺点是,它们生成过多的警告,包括由于近似分析技术而导致的许多误报。这种信息过载实际上限制了它们的有用性。在本文中,我们提出了ELAN,一种技术,可以帮助用户优先级的软件检查工具所产生的信息,基于需求驱动的计算的可能性,执行到达的警告报告的位置。该分析与文献中已知的其他优先级排序技术正交,例如严重程度和统计分析,以减少假阳性。我们评估我们的技术的可行性,使用一些案例研究,并评估我们的预测质量进行比较,通过动态分析获得的实际值。
2006-07-12 cs.SE
A Static Analysis of Popular C Packages in Linux
University of Southern Denmark(南丹麦大学)
本文通过GCC静态分析器对Linux中流行的C包进行实证研究,发现未初始化变量和空指针解引用问题最为常见,同时揭示了警告分布的长尾特性及跨领域一致性。
2025-12-04 cs.CR cs.SE
Enhancing Code Quality with Generative AI: Boosting Developer Warning Compliance
Electrical and Computer Engineering Department(电气与计算机工程系);United States Naval Academy(美国海军学院)
针对开发者因静态分析警告冗长、困惑且可能误报而忽视修复的问题,提出利用大型语言模型简化警告、说明严重性并建议修复方案,以提升警告修复遵从度和代码质量。
2025-05-16 cs.LG cs.SE
On the correlation between Architectural Smells and Static Analysis Warnings
针对103个Java项目的实证研究分析了785种SAW与4种AS的相关性,并提出依据SAW严重程度和AS易发度排序修复优先级的方法。
2025-09-01 cs.DC cs.SE
ACWRecommender: A Tool for Validating Actionable Warnings with Weak Supervision
本文针对静态分析工具高误报问题,挖掘GitHub C仓库回退数据构建弱标签数据集,提出两阶段框架ACWRecommender,利用UniXcoder和弱监督学习识别并推荐高概率真实缺陷的可操作警告,实验证明其在检测和推荐上均优于基线。
2023-09-18 cs.SE
An Empirical Study of Static Analysis Tools for Secure Code Review
本研究通过真实漏洞数据集实证评估C/C++静态分析工具在安全代码审查中的有效性,发现其能提升审查精度与召回率,但存在大量无关警告和漏检问题。
2024-07-17 cs.SE
SNIPTEST: Fuzzing Multi-Level Code Slices for Validating Vulnerabilities
University of Calgary(卡尔加里大学);David R. Cheriton School of Computer Science, University of Waterloo(滑铁卢大学大卫·R·切里顿计算机科学学院)
SNIPTEST是一种基于执行的警告分类框架,通过分层切片策略生成并模糊测试代码切片,在97个真实漏洞和97个误报的基准中取得良好效果,还识别出CVE-2025-11964。
2026-08-19 cs.SE
SO{U}RCERER: Developer-Driven Security Testing Framework for Android Apps
对于应用程序开发人员来说,经常建议的安全开发建议在实践中往往不足。工具驱动(例如,使用静态分析工具)方法缺乏被测试的应用程序的上下文和特定于域的要求。应用程序开发人员很难从静态分析工具报告的一系列安全警告中找到一个可操作的优先级漏洞列表。流程驱动(例如,应用威胁建模方法)方法需要大量资源(例如,安全测试团队,预算)和安全专业知识,这是中小型应用程序开发团队几乎负担不起的。为了帮助应用程序开发人员保护他们的应用程序,我们提出了SO{U}RCERER,这是一个针对Android应用程序开发人员的安全测试指导框架。SO{U} RCEER指导开发人员识别应用程序的特定于域的资产,检测漏洞并对其进行优先级排序,并根据安全开发指南缓解这些漏洞。我们通过分析和测试36个Android移动货币应用程序的案例研究来评估SO{U}RCERER。我们发现,通过遵循SO{U} RCEER指导的活动,应用程序开发人员可以获得一个简洁且可操作的漏洞列表(SO{U} RCEER产生的安全警告比独立的静态分析器少24-61%),直接影响移动货币应用程序的关键资产,并制定缓解计划。我们的初步研究结果表明,Android应用程序安全测试的可行方法对应用程序开发人员来说并不复杂。
2021-11-03 cs.SE
SkipAnalyzer: A Tool for Static Code Analysis with Large Language Models
本研究提出由LLM驱动的静态代码分析工具SkipAnalyzer,包含缺陷检测、误报过滤、补丁生成三个模块,在空指针解引用和资源泄漏两类缺陷的相关任务中性能优于现有工具。
2023-12-18 cs.SE
Pre-trained Model-based Actionable Warning Identification: A Feasibility Study
本文首次系统评估多种预训练模型用于可执行警告识别的可行性,验证其显著优于现有机器学习方法,并分析工作流影响与不足,提出改进指南。
2024-03-05 cs.SE
Taking a Closer Look at Warnings Generated by PMD and SonarQube, their Rules and Compliance to Established Coding Standards
本文通过分析Stack Overflow和Apache Tomcat的代码,探讨PMD和SonarQube生成的警告规则及其对编码标准的合规性,发现部分规则存在假阳性问题,并建议进一步研究以改进SCA工具的准确性。
2026-02-28 cs.SE
Utilizing Precise and Complete Code Context to Guide LLM in Automatic False Positive Mitigation
提出LLM4FPM框架,通过eCPG-Slicer提取精确行级代码上下文和FARF算法线性识别相关文件,指导轻量级LLM实现高效低成本的自动误报缓解,在Juliet和D2A数据集上表现优异。
2025-05-31 cs.SE
Learning to Reduce False Positives in Analytic Bug Detectors
Microsoft(微软)
由于软件设计的日益复杂和快速迭代开发,代码缺陷和安全漏洞在现代软件中普遍存在。作为回应,程序员依靠静态分析工具定期扫描他们的代码库并发现潜在的错误。然而,为了最大化覆盖范围,这些工具通常倾向于报告大量的误报,需要开发人员手动验证每个警告。为了解决这个问题,我们提出了一种基于transformer的学习方法来识别误报错误警告。结果表明,该模型可以使静态分析的精度提高17.5%.此外,我们还验证了这种方法在两种主要错误类型上的通用性:空解引用和资源泄漏。
2022-03-08 cs.LG cs.SE
The Hitchhiker's Guide to Program Analysis, Part III: Mostly Harmless LLMs
University of California, Riverside(加州大学河滨分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Indiana University Bloomington(印第安纳大学布鲁明顿分校)
提出Evident系统,将LLM用于构建分析框架,后端形式化验证错误状态不可达,在151个真实警告中正确分类,未漏报任何确认漏洞。
2026-10-22 cs.SE
Static Analysis as a Feedback Loop: Enhancing LLM-Generated Code Beyond Correctness
针对LLM生成代码仅关注功能正确性而忽视多维度质量的问题,提出静态分析驱动的迭代提示算法,结合Bandit和Pylint工具,经GPT-4o实验验证,多维度代码质量问题显著降低,证明静态分析反馈可有效提升LLM生成代码的综合质量。
2025-08-20 cs.SE
Leveraging Static Analysis for Bug Repair
本文结合 sequence-to-sequence 模型与静态分析工具 Infer,在 IR 与源代码空间协同修复资源泄漏缺陷,并通过解码策略与结果过滤实现约 97% 精确率和 66% 召回率。
2023-04-21 cs.SE
Towards Better Static Code Analysis Reports: Sentence Transformer-based Filtering of Non-Actionable Alerts
University of Szeged(塞格德大学);FrontEndART Ltd.(FrontEndART有限公司)
本文提出STAF方法,利用句子变换器架构过滤静态代码分析中的非可操作警报,通过减少无效警报数量并提高可操作问题识别准确率,使静态分析工具的实用性提升至89%。
2026-04-20 cs.SE
A Static Analysis Platform for Investigating Security Trends in Repositories
提出一个集成多种静态分析工具的分析平台,支持基于Git的代码仓库跨版本历史持续监控警告,并通过仪表板展示安全趋势与热点,同时可生成适用于机器学习的大规模安全警报数据库。
2023-04-04 cs.SE
Finding Memory Leaks in C/C++ Programs via Neuro-Symbolic Augmented Static Analysis
Singapore Management University(新加坡管理大学);Beijing Jiaotong University(北京交通大学);University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所)
提出MemHint神经符号管道,结合LLM语义理解与Z3符号推理,扩展静态分析器对自定义内存管理函数的识别和路径敏感控制流建模,在8个真实项目中发现54个内存泄漏(53个确认/修复),每个漏洞成本约1.7美元。
2026-10-07 cs.CR cs.SE
Helping Code Reviewer Prioritize: Pinpointing Personal Data and its Processing
研究提出基于静态分析的代码库双视图方法,精确定位个人数据及其处理流程,辅助代码审查者优先处理GDPR合规任务,在四个开源应用中精确率达0.87,显著提升审查效率。
2023-06-20 cs.SE
Static Code Analyzer Recommendation via Preference Mining
针对静态代码分析器误报漏报导致性能差异且全量调用成本过高的问题,首次提出基于偏好挖掘的SCA推荐方法,通过评估SCA有效性与挖掘项目特征构建推荐模型,其性能显著优于4个典型基线2至11倍。
2024-12-24 cs.SE
Static Deadlock Detection in Low-Level C Code
我们提出了一种新的可扩展的死锁分析器L2 D2能够处理C代码与低层次的非结构化锁操作。L2 D2沿着程序的调用树运行,从叶子开始,对每个函数只分析一次,而不知道调用上下文。L2 D2构建函数摘要,记录关于假定或已知在函数的入口、内部和出口处被锁定或解锁的锁的信息,以及锁依赖性,并在检测到锁依赖性中的周期时报告关于可能的死锁的警告。我们实现了L2 D2作为Facebook/Meta Infer框架的插件,并报告了大量C和C++代码的实验结果,说明了L2 D2的有效性和效率。
2022-07-05 cs.DC cs.PL cs.SE
Integration of the Static Analysis Results Interchange Format in CogniCrypt
背景-软件公司越来越依赖于静态分析工具来检测其软件产品中的潜在错误和安全漏洞。在过去的十年中,越来越多的商业和开源静态分析工具被开发和维护。每种工具都有自己的报告格式,这就妨碍了在单个界面中轻松集成多个分析工具,例如静态分析服务器协议(SASP)。2017年,包括微软和GrammaTech在内的行业合作提出了静态分析结果交换格式(SARIF)来解决这个问题。SARIF是一种标准化格式,可以对静态分析警告进行编码,以允许在不同工具之间导入和导出分析报告。目的-本文通过示例解释了SARIF格式,并提供了连接器的概念证明,该连接器允许静态分析工具CogniCrypt以SARIF格式生成和导出其结果。设计/方法-在详细介绍连接器的实现之前,我们对SARIF格式和CogniCrypt的输出格式进行了横截面研究。该研究旨在找到SARIF导出模块可以完成的CogniCrypt中感兴趣的组件。独创性/价值-本文所述的集成到CogniCrypt的SARIF可以重复使用到其他静态分析工具集成SARIF。结论-在详细介绍了SARIF格式之后,我们提出了一个将SARIF集成到CogniCrypt的初步实现。在利用SARIF提供的所有功能后,CogniCrypt将能够支持SASP。
2019-07-04 cs.PL cs.SE
How Do Static and Dynamic Test Case Prioritization Techniques Perform on Modern Software Systems? An Extensive Study on GitHub Projects
测试用例优先级(TCP)是一种越来越重要的回归测试技术,用于根据预定义的目标重新排序测试用例,特别是随着敏捷实践的采用。为了更好地理解这些技术,我们进行了第一次广泛的研究,旨在经验评估四个静态TCP技术,比较他们与国家的研究动态TCP技术在几个质量指标。这项研究是在58个包含714个KLoC的真实Java程序上进行的,并得出了几个值得注意的观察结果。首先,我们在两个有效性指标(平均检测到的故障百分比APFD和成本认知APFDc)的结果表明,在测试类的粒度,这些指标往往是相关的,但这种相关性并不保持在测试方法的粒度。其次,我们的分析表明,静态技术可以令人惊讶的有效,特别是当测量APFDc。第三,我们发现,TCP技术往往表现得更好的较大的程序,但程序的大小并不影响技术之间的比较性能指标。第四,软件的演变并没有显着影响TCP技术之间的比较性能的结果。第五,在典型的实验设置下,使用的突变体的数量和类型都不会显著影响TCP有效性的测量。最后,我们的相似性分析表明,高度优先级的测试用例往往会发现不同的故障。
2018-06-26 cs.SE
From UI to Code: Mobile Ad Regulation via LLM Unified Static-Dynamic Analysis
University of Notre Dame(圣母大学);Arizona State University(亚利桑那州立大学)
本文提出ADWISE框架,通过结合静态分析和LLM引导的UI结构、应用语义及检索类比,有效检测移动广告。实验表明,ADWISE在广告widget检测上优于现有方法25.60%,并发现更多广告违规情况。
2026-10-03 cs.SE
The Illusion of Safety: Multi-Tier Verification of AI vs. Human C++ Code
The University of Texas at Arlington(德克萨斯大学阿灵顿分校);New Jersey Institute of Technology(新泽理工学院)
提出VULBENCH-CPP基准,通过四层验证发现AI生成C++代码的运行时违规率约为人类代码的两倍,静态分析会因代码长度产生安全假象。
2026-08-04 cs.SE
An Event-Driven Tool for Context-Aware Code Smell Detection Using SmellDSL
University of Vale do Rio dos Sinos (Unisinos)(圣瓦莱杜里奥多斯西诺斯大学)
本文提出SmellHunter工具,通过SmellDSL领域特定语言解析脚本,结合静态代码度量和上下文信息(如团队特征、项目阶段和地理元数据)来检测和上下文化代码异味,支持更明智的重构决策。
2026-05-20 cs.SE
D2A: A Dataset Built for AI-Based Vulnerability Detection Methods Using Differential Analysis
IBM Research(IBM研究院)
静态分析工具被广泛用于漏洞检测,因为它们理解具有复杂行为和数百万行代码的程序。尽管静态分析工具很受欢迎,但已知它们会产生过多的误报。最近机器学习模型理解程序设计语言的能力在应用于静态分析时开辟了新的可能性。然而,现有的数据集训练模型的弱点识别遭受多重限制,如有限的错误上下文,有限的大小,合成和不切实际的源代码。我们提出了D2A,一个基于差异分析的方法来标记由静态分析工具报告的问题。D2A数据集是通过分析来自多个开源项目的版本对构建的。从每个项目中,我们选择bug修复提交,并对提交前后的版本运行静态分析。如果在提交前版本中检测到的一些问题在相应的提交后版本中消失了,那么它们很可能是真正的bug,并通过提交得到了修复。我们使用D2A生成一个大的标记数据集来训练模型进行漏洞识别。我们表明,该数据集可用于构建分类器,以识别静态分析报告的问题中可能的误报,从而帮助开发人员优先考虑和调查潜在的真阳性。
2021-02-16 cs.AI cs.LG cs.SE
Static Security Vulnerability Scanning of Proprietary and Open-Source Software: An Adaptable Process with Variants and Results
Ritsumeikan University(立命馆大学)
本文提出一种经行业验证的端到端静态安全漏洞扫描流程,支持专有与开源软件的定制化配置和迭代执行,并结合 DevSecOps 工具与 AI 增强,以降低源代码漏洞和供应链风险。
2025-09-21 cs.CR cs.SE
On the Anatomy of Real-World R Code for Static Analysis
该研究对超5000万行真实R代码开展大规模静态分析,对比用户脚本与包源码的特性使用差异,为静态分析工具与解释器优化提供参考。
2024-01-29 cs.PL cs.SE
AssetHarvester: A Static Analysis Tool for Detecting Secret-Asset Pairs in Software Artifacts
本文提出静态分析工具 AssetHarvester,通过识别秘密-资产共置模式并结合模式匹配、数据流分析与启发式方法检测秘密-资产对,以帮助开发者过滤误报并优先移除高风险秘密。
2024-11-20 cs.CR cs.SE
Frustrated with Code Quality Issues? LLMs can Help!
Microsoft Research(微软研究院)
本文提出基于双 LLM(提议者与排序者)协同的代码修订工具 CORE,通过生成并排序候选修订来修复静态分析发现的代码质量问题,在 Python 和 Java 文件上均取得与专用工具相当的效果并显著降低误报。
2023-09-22 cs.AI cs.SE
Explaining Software Vulnerabilities with Large Language Models
Chapman University(查普曼大学);Paderborn University(帕德博恩大学);University of Oldenburg(奥尔登堡大学);Paderborn University and Fraunhofer IEM(帕德博恩大学和弗劳恩霍夫IEM研究所)
本文提出IDE插件SAFE,利用GPT-4o为SAST工具检测的漏洞生成成因、影响与缓解策略解释,并通过专家用户研究验证其能显著提升初级到中级开发人员对安全漏洞的理解与处理能力,改善SAST工具可用性。
2025-11-06 cs.AI cs.SE