MAS-SZZ: Multi-Agentic SZZ Algorithm for Vulnerability-Inducing Commit Identification
Nanjing University of Posts and Telecommunications(南京邮电大学);Zhejiang University(浙江大学);DBAPPSecurity Co., Ltd.(北京天融信科技有限公司)
本文提出MAS-SZZ算法,通过多智能体协作识别漏洞引发提交,通过结构化向前提示策略定位漏洞相关代码,提升漏洞检测准确性。
2026-04-27 cs.CR cs.SE
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
Deep-Learning-based Vulnerability Detection in Binary Executables
漏洞识别是软件开发生存周期中的一个重要环节,是保证软件安全的重要手段。虽然基于源代码的漏洞识别是一个很好的研究领域,但基于没有相应源代码的二进制可执行文件的漏洞识别更具挑战性。最近的研究[1]已经表明,如何通过深度学习方法来实现这种检测。然而,这种特定的方法仅限于识别4种类型的漏洞。随后,我们分析在多大程度上,我们可以涵盖更大范围的各种漏洞的识别。因此,使用使用递归神经网络的监督深度学习方法,用于基于二进制可执行文件的漏洞检测的应用。底层基础是一个包含50,651个易受攻击代码样本的数据集,其形式是标准化的LLVM中间表示。Word2Vec模型的矢量化特征用于训练递归神经网络的三种基本架构(GRU、LSTM、SRNN)的不同变体。建立了一个二进制分类来检测任意漏洞的存在,并训练了一个多类模型来识别确切的漏洞,其样本外准确率分别为88%和77%。此外,还观察到不同漏洞检测的差异,非脆弱样本的检测精度特别高,超过98%。因此,所提出的方法允许准确检测23个漏洞(相比之下为4个[1])。
2022-11-25 cs.CR cs.LG
CHRONOS: Time-Aware Zero-Shot Identification of Libraries from Vulnerability Reports
针对漏洞报告库识别中因忽略时间顺序导致XML技术性能下降的问题,提出基于零样本学习的CHRONOS方法,通过考虑时间顺序、数据增强和缓存机制提升实际场景下的识别效果。
2023-07-29 cs.CR cs.SE
Sequential Graph Neural Networks for Source Code Vulnerability Identification
University of Minnesota(明尼苏达大学);Vanderbilt University(范德堡大学)
针对现有源代码漏洞识别依赖人工、误报率高的问题,本文构建了CVEFGE漏洞数据集,提出含序列学习模块的SEGNN图神经网络框架,在图分类任务上取得了SOTA结果。
2023-05-23 cs.CR cs.LG
Athena: Vulnerability-Affected Library Identification via Knowledge Graph Completion
Hanoi University of Science and Technology(河内理工大学);The University of Sydney(悉尼大学);Singapore Management University(新加坡管理大学);The University of Melbourne(墨尔本大学);Phenikaa University(菲尼卡大学);Singapore University of Technology and Design(新加坡科技设计大学)
Athena是首个基于图的受漏洞影响库识别方法,将该任务转化为知识图谱补全,经实验在VulLib数据集上显著优于现有基线,平均F1值较最佳基线提升32%。
2026-09-02 cs.AI 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
Revisiting Vulnerability Patch Identification on Data in the Wild
Singapore Management University(新加坡管理大学);Monash University(莫纳什大学);University of Sydney(悉尼大学)
本文研究了在真实环境中漏洞补丁检测器的性能,发现基于NVD数据训练的模型在真实补丁上表现显著下降,提出结合NVD数据与人工识别补丁的混合数据集可提升模型鲁棒性。
2026-03-18 cs.CR cs.SE
Establishing Minimum Elements for Effective Vulnerability Management in AI Software
University of Hawaii at Manoa(夏威夷大学马诺阿分校)
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
VERCATION: Precise Vulnerable Open-source Software Version Identification based on Static Analysis and LLM
本文提出VERCATION方法,结合程序切片与LLM识别漏洞相关代码,通过回溯历史提交并基于扩展规范化AST的代码克隆检测定位引入漏洞的提交,在识别C/C++开源软件易受攻击版本任务上F1达93.1%,并发现NVD报告中202个错误版本。
2025-08-14 cs.CR cs.SE
Favia: Forensic Agent for Vulnerability-fix Identification and Analysis
Norwegian University of Science and Technology(挪威科技大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61研究所)
Favia通过结合可扩展的候选排名与深入语义推理,有效识别漏洞修复,优于传统和LLM基方法。
2026-02-13 cs.AI cs.CR cs.SE
CLNX: Bridging Code and Natural Language for C/C++ Vulnerability-Contributing Commits Identification
School of Cyber Science and Engineering, Huazhong University of Science and Technology(华中科技大学网络空间科学与工程学院);Hubei Key Laboratory of Distributed System Security(湖北省分布式系统安全重点实验室);Hubei Engineering Research Center on Big Data Security(湖北省大数据安全工程研究中心)
针对现有大模型识别C/C++漏洞贡献提交依赖高资源预训练的问题,提出轻量框架CLNX,通过结构与词元层面的代码自然化处理增强BERT类模型能力,在公开数据集上取得显著提升,搭载CLNX的CodeBERT达SOTA并在真实场景识别出38个OSS漏洞。
2024-09-11 cs.AI cs.CR
Devign: Effective Vulnerability Identification by Learning Comprehensive Program Semantics via Graph Neural Networks
Nanyang Technological University(南洋理工大学)
脆弱性识别对于保护软件系统免受网络安全攻击至关重要。在源代码中本地化易受攻击的函数以促进修复尤为重要。然而,这是一个具有挑战性和繁琐的过程,也需要专业的安全知识。受手工定义的各种代码表示图和图神经网络的最新进展的漏洞模式的工作的启发,我们提出了Devignn,一个通用的图神经网络为基础的模型,通过学习一组丰富的代码语义表示的图级分类。它包括一个新的Conv模块,可以有效地从学习到的丰富节点表示中提取有用的特征,用于图级分类。该模型在4个多样化的大型开源C项目上构建的手动标记数据集上进行训练,这些项目包含高复杂性和各种真实源代码,而不是以前的作品中使用的合成代码。结果表明,Devign算法的准确率平均提高了10.51%,F1平均提高了8.68%,Conv算法的准确率平均提高了4.66%,F1平均提高了6.37%。
2019-09-08 cs.CR cs.LG cs.SE
Plaintext Structure Vulnerability: Robust Cipher Identification via a Distributional Randomness Fingerprint Feature Extractor
School of Cyber Science and Engineering, Wuhan University(武汉大学网络安全学院);Shanghai Key Laboratory of Privacy-Preserving Computation(上海隐私计算重点实验室);Matrix Elements Technologies(矩阵元素科技有限公司)
该研究针对加密算法识别中分类器受明文分布影响的问题,提出基于统计检验构建密文随机性指纹的方法,在Canterbury Corpus数据集及跨域场景下均实现高鲁棒性判别性能。
2026-07-31 cs.CR
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
The Impact of SBOM Generators on Vulnerability Assessment in Python: A Comparison and a Novel Approach
本文评估 SBOM 生成工具对 Python 漏洞检测的影响,分析其失效根源,并提出 PIP-sbom,以提升组件识别与依赖解析准确性。
2024-09-10 cs.CR
CVEs With a CVSS Score Greater Than or Equal to 9
NetUse AG;Kiel University of Applied Sciences(基尔应用技术大学)
本文分析了CVSS评分9.0以上高危漏洞的识别与修复时间,发现披露和补丁部署存在显著延迟,提出改进漏洞响应效率的建议。
2026-04-22 cs.CR
Walking Under the Ladder Logic: PLC-VBS, a PLC Control Logic Vulnerability Discovery Tool
网络安全风险评估为了解现有风险提供了一个关键的起点,通过它可以形成适当的缓解策略。当风险被视为威胁、脆弱性和影响的产物时,了解每一个要素都同样重要。这在工业控制系统(ICS)环境中可能是一个挑战,在这些环境中,采用的技术通常不仅是定制的,而且直接与物理世界交互。到目前为止,现有的脆弱性识别侧重于传统的脆弱性类别。虽然这为风险评估人员提供了一个基线了解,并有能力对可能产生的影响进行假设,但这是一个高层次的工作,在一个抽象的层次上运作,在传统的信息系统背景下被视为不完整。本文中提出的工作进一步了解ICS设备漏洞。它提供了一个工具,PLC-VBS,可以帮助识别可编程逻辑控制器(PLC)的漏洞,特别是在用于监视,控制和自动化操作过程的逻辑中。PLC-VBS为风险评估人员提供了一个关于潜在影响的更连贯的画面,如果发现的漏洞被利用;这特别适用于操作过程元素。
2023-01-30 cs.CR
Demystifying Random Number in Ethereum Smart Contract: Taxonomy, Vulnerability Identification, and Attack Detection
本文系统梳理以太坊智能合约伪随机数生成原理与四类攻击,提出基于污点分析的 RNVulDet,可自动识别不良随机性漏洞并检测攻击交易,实验显示其显著优于现有工具。
2023-04-25 cs.CR cs.SE
CompVPD: Iteratively Identifying Vulnerability Patches Based on Human Validation Results with a Precise Context
CompVPD 通过多粒度切片与自适应扩展算法为补丁提供精确上下文,并结合人工验证结果迭代识别漏洞补丁,在五个开源项目的 2,500 个提交中识别出 20 个漏洞补丁和 18 个高风险缺陷修复,F1 分数较 SOTA 方法提升 20%。
2024-06-09 cs.CR
Think Broad, Act Narrow: CWE Identification with Multi-Agent Large Language Models
针对现有LLM漏洞检测存在深度分析不足、缺上下文、CWE匹配错误的问题,提出三阶段多智能体方法,经PrimeVul数据集和合成程序验证,有效提升CWE识别准确率并降低误报。
2025-08-02 cs.CR cs.SE
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
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
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
ReGraph: A Tool for Binary Similarity Identification
ReGraph是一个二进制相似性识别工具,通过高效比较二进制代码函数,实现比NLP方法快700倍的速度,同时保持与最先进模型相当的准确率。
2025-04-22 cs.CR
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
DefectHunter: A Novel LLM-Driven Boosted-Conformer-based Code Vulnerability Detection Mechanism
本文提出 DefectHunter,利用融合自注意力与卷积的 Conformer 并优化注意力分母,在多个工业及复杂数据集上显著提升代码漏洞检测准确率。
2023-09-27 cs.CR
CVE-LLM : Ontology-Assisted Automatic Vulnerability Evaluation Using Large Language Models
Digital Technology and Innovation, Siemens Healthineers USA(美国西门子医疗数字技术与创新部门);Cybersecurity, Siemens Healthineers Germany(德国西门子医疗网络安全部门);Corporate Technology, Siemens AG Romania(罗马尼亚西门子公司企业技术部门)
针对漏洞数量激增的安全需求,提出CVE-LLM方法,结合网络安全本体丰富历史数据,无需重训练即可识别新漏洞,已集成到内部系统辅助专家评估,并给出LLM集成安全工具的指南。
2025-02-21 cs.CL cs.CR
Attack Techniques and Threat Identification for Vulnerabilities
IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心);IBM Security X-Force Red(IBM安全X-Force红队);Rensselaer Polytechnic Institute(伦斯勒理工学院)
现代组织正在与其网络和应用程序漏洞扫描器发现和报告的无法克服的漏洞数量作斗争。因此,确定优先次序和重点变得至关重要,以便将有限的时间用于最高风险的漏洞。在此过程中,这些组织不仅要了解漏洞的技术描述,还要深入了解攻击者的观点。在这项工作中,我们使用机器学习和自然语言处理技术,以及几个公开的数据集,以提供一个可解释的映射漏洞的攻击技术和威胁演员。这项工作提供了新的安全情报,通过预测哪些攻击技术最有可能被用来利用给定的漏洞,以及哪些威胁行为者最有可能进行利用。缺乏标记数据和不同的词汇表使得将漏洞映射到大规模攻击技术成为一个具有挑战性的问题,无法使用监督或无监督(相似性搜索)学习技术轻松解决。为了解决这个问题,我们首先将漏洞映射到一组标准的共同弱点,然后将共同弱点映射到攻击技术。这种方法产生的平均倒数秩(MRR)为0.95,准确度与国家的最先进的系统报告。我们的解决方案已部署到IBM Security X-Force Red Vulnerability Management Services,并自2021年起投入生产。该解决方案可帮助安全从业人员协助客户管理其漏洞并对其进行优先级排序,为他们提供可解释的漏洞与攻击技术和威胁参与者的映射
2022-06-22 cs.AI cs.CR
Identification of Attack Paths Using Kill Chain and Attack Graphs
网络攻击者不断发展的能力迫使安全管理员专注于早期识别新兴威胁。有针对性的网络攻击通常包括几个阶段,从对网络环境的最初侦察到对目标的最终影响。本文研究了使用杀伤链和攻击图识别多步网络威胁场景。杀伤链和攻击图是威胁建模概念,可以确定薄弱的安全防御点。我们提出了一种新的杀伤链攻击图,合并杀伤链和攻击图在一起。这种方法确定了攻击者的行动及其在受保护网络中的具体化的可能链。图形生成根据违反的安全属性使用威胁的分类。该图允许确定管理员应该关注的杀伤链阶段以及减轻可能的网络威胁的适用对策。我们针对预定义范围的网络威胁实施了所提出的方法,特别是漏洞利用和网络威胁。该方法在现实世界的用例中得到了验证。公开的实现包含一个概念验证的杀伤链攻击图生成器。
2022-06-21 cs.CR
Expert-in-the-Loop Systems with Cross-Domain and In-Domain Few-Shot Learning for Software Vulnerability Detection
本研究针对网络威胁下的高效软件漏洞检测需求,对比大语言模型不同提示策略并结合基于置信度的专家在环路由机制,验证了少样本提示的性能提升效果,为AI辅助漏洞检测系统部署提供基础。
2025-06-11 cs.CR cs.SE
Adversarial Vulnerabilities of Neural Biomarker Identification Systems
Cerberus Neurosecurity Research Institute (CNRI)(塞伯里斯神经安全研究所);University of Luxembourg(卢森堡大学);Cognitive Security Institute(认知安全研究所)
本文针对脑电图生物识别系统,开发了无需知晓系统的自适应攻击算法,测试6个公开数据集发现不同神经特征方法脆弱性差异大,记录条件影响欺骗攻击脆弱性,还给出改进建议。
2026-09-03 cs.CR q-bio.NC
RAVEN: Retrieval-Augmented Vulnerability Exploration Network for Memory Corruption Analysis in User Code and Binary Programs
University of California, Berkeley(加州大学伯克利分校)
提出RAVEN框架,结合LLM代理与检索增强生成,自动生成遵循Google Project Zero模板的漏洞分析报告,在105个样本上平均质量得分54.21%。
2026-06-05 cs.AI cs.CR cs.MA
Predicting known Vulnerabilities from Attack News: A Transformer-Based Approach
Free University of Bozen-Bolzano(博尔扎诺自由大学);Masaryk University(马萨里克大学)
本文提出一种基于变换器的方法,通过分析攻击新闻预测已知漏洞,实验显示模型在预测精度和一致性方面表现良好。
2026-02-23 cs.CR
Learning to Quantize Vulnerability Patterns and Match to Locate Statement-Level Vulnerabilities
Monash University(莫纳什大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61研究所);VinAI Research(VinAI研究院)
针对现有漏洞检测方法未利用漏洞模式、语句级识别精度不足的问题,本文提出基于学习到的漏洞码本匹配模式的检测方法,在18.8万函数的数据集上实现函数级、语句级F1值较SOTA分别提升6%、19%。
2023-05-26 cs.AI cs.CR cs.LG
An Extensive Comparison of Static Application Security Testing Tools
本研究通过150万次测试执行,对静态应用安全测试工具进行全面评估,发现其精确率高但召回率低,建议改进重点应放在提升召回率和扩大漏洞检测类型上。
2024-03-14 cs.CR cs.CY cs.SE
A Practical Solution to Systematically Monitor Inconsistencies in SBOM-based Vulnerability Scanners
University of Padua(帕多瓦大学);Örebro University(厄勒布鲁大学)
本文提出SVS-TEST方法,用于系统监控基于SBOM的漏洞扫描器的不一致性,揭示SVS工具在可靠性与错误处理上的差异。
2025-12-19 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
Chain-of-Thought Prompting of Large Language Models for Discovering and Fixing Software Vulnerabilities
本文提出漏洞语义引导的思维链提示方法VSP,利用大语言模型完成漏洞识别、发现与修补三项任务,实验显示其在CVE数据集上F1准确率显著优于基线。
2024-02-27 cs.CR
SPI: Automated Identification of Security Patches via Commits
开源软件中的安全补丁,为已识别的漏洞提供安全修复,对于防范网络攻击至关重要。尽管国家漏洞数据库(NVD)发布了已识别的漏洞,但绝大多数漏洞及其相应的安全补丁仍然无法公开,例如,开发者非常依赖的开源库中。一个广泛的安全补丁数据集可以帮助最终用户,如安全公司,建立安全知识库,或研究人员,例如,协助脆弱性研究。为了以大规模和低成本管理包括未公开补丁在内的安全补丁,我们提出了一种基于开源库提交的基于深度神经网络的方法。我们构建了安全补丁数据集,其中包括来自四个C库的38,291个安全相关提交和1,045个CVE补丁。我们手动验证38,291个与安全相关的提交中的每个提交,以确定它们是否与安全相关。我们设计了一个基于深度学习的安全补丁识别系统,该系统由两个神经网络组成:一个是提交消息神经网络,它利用从我们的提交数据集学习的预训练单词表示;另一个是代码修订神经网络,它在修订之前和之后获取代码,并学习语句级别上的区别。我们的评估结果表明,我们的系统优于SVM和K-折叠堆叠算法,实现高达87.93%的F1分数和精度为86.24%。我们在工业生产环境中部署了我们的管道和学习模型,以评估我们的方法的泛化能力。工业数据集由来自410个新库的298,917个提交组成,这些库的功能范围很广。我们的实验结果和观察证明,我们的方法可以有效地识别开源项目中的安全补丁。
2021-06-06 cs.CR cs.SE
CleanVul: Automatic Function-Level Vulnerability Detection in Code Commits Using LLM Heuristics
本文提出CleanVul,一种利用LLM和启发式方法自动识别漏洞修复变更并构建高质量函数级漏洞数据集的方法,实验表明其训练的模型准确性和泛化能力优于未清洗数据集。
2025-09-11 cs.CR cs.SE
A ground-truth dataset of real security patches
由于缺乏大型数据集和真实数据,培训用于漏洞识别的机器学习方法并制作可靠的工具以帮助开发人员实施无漏洞的高质量软件具有挑战性。研究人员一直在研究这些问题并建立数据集。然而,这些数据集通常会遗漏自然语言工件和程序设计语言多样性。我们从GitHub引用中抓取了整个CVE详细信息数据库,并使用3个安全相关的数据集扩展了数据。我们使用这些数据来创建一个包含自然语言工件(如提交消息、提交注释和摘要)、元数据和代码更改的真值数据集。我们的数据集集成了来自1339个不同项目的8057个安全相关提交,相当于5942个安全补丁,这些项目涉及146种不同类型的漏洞和20种语言。还提供了110 k非安全相关提交的数据集。数据和脚本都可以在GitHub上找到。数据存储在.CSV文件中。代码库可以使用我们的脚本下载。我们的数据集是回答不同主题研究问题的宝贵资产,例如使用NLP模型识别安全相关信息;软件工程和安全最佳实践;漏洞检测和修补;以及安全程序分析。
2021-10-18 cs.CR cs.SE
Cyber-Physical Security Vulnerabilities Identification and Classification in Smart Manufacturing -- A Defense-in-Depth Driven Framework and Taxonomy
本文针对智能制造中传统漏洞定义忽视物理与人员维度的问题,提出基于漏洞与防御二元性的制造专用纵深防御模型,并据此建立首个智能制造网络物理漏洞分类法,为系统与过程层面的漏洞治理提供结构化框架。
2025-06-04 cs.CR
A Relevance Model for Threat-Centric Ranking of Cybersecurity Vulnerabilities
本文提出基于MITRE ATT&CK对手标准构建漏洞管理框架,聚合公开数据生成个性化排序策略,相比CVSS显著提升漏洞优先级识别效果并降低修补成本。
2024-06-09 cs.CR
CPE-Identifier: Automated CPE identification and CVE summaries annotation with Deep Learning and NLP
ST Engineering(科技工程公司)
针对NVD中CPE与CVE摘要关联耗时的问题,提出CPE-Identifier系统,利用深度学习与NLP自动识别CPE实体,F1达95.48%,性能优于先前工作9%以上。
2024-05-22 cs.AI cs.CL cs.CR
From Theory to Practice: Code Generation Using LLMs for CAPEC and CWE Frameworks
Northern Illinois University(北伊利诺伊大学)
本文提出一个基于LLMs生成CAPEC和CWE漏洞代码的数据集,通过GPT-4o、Llama和Claude模型生成高准确性的代码示例,提升安全漏洞识别与修复的效率。
2026-04-02 cs.AI cs.CR
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
Automating the Detection of Code Vulnerabilities by Analyzing GitHub Issues
RISE AB;Delft University of Technology(代尔夫特理工大学);KTH Royal Institute of Technology(皇家理工学院(KTH));Red Hat(红帽公司)
本文提出利用基于 transformer 的模型分析 GitHub issues 以自动识别软件漏洞,构建专用分类数据集并评估多种分类技术,提供可扩展、高效的早期漏洞检测框架。
2025-01-09 cs.AI cs.CR cs.SE
Predicting sensitive information leakage in IoT applications using flows-aware machine learning approach
本文提出了一种识别易受攻击的物联网应用程序的方法。该方法侧重于一类漏洞,导致敏感信息泄漏,可以通过使用污点流分析来识别。污染流漏洞受程序结构和代码中语句顺序的影响很大,设计检测此类漏洞的方法需要考虑这些信息,以便提供精确的结果。在本文中,我们提出并开发了一种方法FlowsMiner,除了程序的语句顺序之外,还可以从与程序结构相关的代码中挖掘功能,例如控制语句和方法。FlowsMiner,以污染流的形式生成特征。我们开发了Flows2Vec,这是一个将FlowsMiner恢复的特征转换为向量的工具,然后通过提供流的感知模型构建过程来帮助机器学习。由此产生的模型是能够准确地将应用程序分类为脆弱的,如果该漏洞是通过改变源代码中的语句顺序来表现的。实验结果表明,与基本的词袋(BagofWords,BoW)方法相比,该方法提高了所有算法的预测模型的AUC,其中Corpus1数据集的最佳情况从0.91提高到0.94,Corpus2数据集的最佳情况从0.56提高到0.96
2022-01-07 cs.CR cs.SE
Feature Engineering-Based Detection of Buffer Overflow Vulnerability in Source Code Using Neural Networks
Kennesaw State University(肯尼索州立大学);Marquette University(马凯特大学);University of Calabria(卡拉布里亚大学)
本研究针对软件源代码缓冲区溢出漏洞检测问题,基于特征工程结合多种词嵌入算法与神经网络模型,提出可扩展的检测方法并开展对比验证。
2023-06-01 cs.CR cs.LG cs.SE
RecAGT: Shard Testable Codes with Adaptive Group Testing for Malicious Nodes Identification in Sharding Permissioned Blockchain
针对分片许可链的节点脆弱性问题,提出融合分片可测码、身份证明协议与自适应群测试的RecAGT方案,可低开销高效识别恶意节点且适配各类分片许可链。
2023-12-12 cs.CR cs.DC
Deep Learning-Based Out-of-distribution Source Code Data Identification: How Far Have We Gone?
针对现有AI软件漏洞检测方法难识别分布外源代码数据的问题,本文提出基于信息论与聚类对比学习的深度学习OOD识别方法,在真实数据集上多项指标显著优于当前最优基线。
2024-04-15 cs.CR
Distilling Lightweight Language Models for C/C++ Vulnerabilities
School of Computer Science and Technology(计算机科学与技术学院);Beijing Institute of Technology(北京理工大学);School of Cyberspace Science and Technology(网络空间科学与技术学院);School of Computer Science(计算机科学学院);University of Auckland(奥克兰大学)
针对C/C++代码漏洞检测,提出基于知识蒸馏的FineSec框架,从大型教师模型蒸馏出轻量学生模型,实现高效精确的漏洞识别,并在多个代码库上优于基线模型和大型LLMs。
2025-10-08 cs.AI cs.CR
Expanding the Attack Scenarios of SAE J1939: A Comprehensive Analysis of Established and Novel Vulnerabilities in Transport Protocol
本文针对广泛应用的 SAE J1939 协议漏洞识别有限的问题,提出并验证了 14 种攻击场景(含 7 种新场景),通过实时通信测试平台确认 11 种可成功执行,揭示了商用车辆面临的网络安全威胁。
2024-06-02 cs.CR