A Function-level Dataset of Vulnerable and Fixed Source Code in JavaScript and TypeScript
University of Szeged（塞格德大学）
针对JavaScript和TypeScript的漏洞检测训练数据不足问题，构建了函数级数据集JsVul，通过语言特定流水线、多阶段去重和启发式标注确保质量，支持稳健模型训练。
2026-09-30 cs.CR cs.SE
GHunter: Universal Prototype Pollution Gadgets in JavaScript Runtimes
针对JavaScript运行时中原型污染小工具影响广但缺乏系统检测的问题，提出GHunter流水线，通过动态污点分析与人工验证在Node.js和Deno中发现123个新小工具，还系统化梳理缓解指南并发现一个高危CVE。
2024-07-15 cs.CR
FV8: A Forced Execution JavaScript Engine for Detecting Evasive Techniques
FV8是一个修改的V8引擎，通过强制执行动态代码注入，提高代码覆盖率11%，检测28种规避技术，并在npm和Chrome扩展中识别大量恶意代码，支持递归分析。
2024-05-21 cs.CR
VulLibGen: Generating Names of Vulnerability-Affected Packages via a Large Language Model
本文提出 VulLibGen，首次利用 LLM 直接生成受漏洞影响的软件包名称，并结合 SFT、RAG 与局部搜索后处理，在四大生态系统上将平均准确率提升至 0.806。
2024-05-18 cs.CR
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
Vulnerability Detection in Popular Programming Languages with Language Models
本文研究了语言模型在JavaScript、Java、Python、PHP、Go和C/C++等流行编程语言中的漏洞检测有效性，发现JavaScript表现最佳，且代码复杂性与检测性能仅存在弱相关性。
2024-12-23 cs.CR cs.SE
Neuro-symbolic Static Analysis with LLM-generated Vulnerability Patterns
Columbia University（哥伦比亚大学）；Wuhan University（武汉大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出MoCQ框架，结合大语言模型生成漏洞检测模式，实现高精度与高扩展性的静态分析，发现46个新漏洞模式并识别25个未知漏洞。
2026-04-14 cs.CR
Obfuscating Code Vulnerabilities against Static Analysis in JavaScript Code
University of Verona（维罗纳大学）；University of Cagliari（卡利亚里大学）；School of Advanced Defense Studies (CASD)（高级防务研究学院（CASD））；National Interuniversity Consortium for Informatics（国家大学间信息学联盟）
本文研究了JavaScript代码混淆对静态应用安全测试工具的影响，通过实证分析发现常见混淆技术可显著降低漏洞检测率，揭示当前SAST工具在面对混淆代码时的不足。
2026-04-01 cs.CR
Vulnerability-Aware Resilient Networks: Software Diversity-based Network Adaptation
通过利用软件多元文化的原则，以确保在网络中的安全性，我们提出了一个基于可扩展性的软件多样性度量，以确定如何网络拓扑结构可以适应，以最大限度地减少安全漏洞，同时保持最大的网络连接。我们提出的基于软件多样性的自适应（SDA）方案估计一个节点的软件多样性的基础上的弱点，软件包安装在其他节点上的攻击路径可达的节点，并采用它的边缘适应，由于两个连接的节点使用相同的软件包或者相邻节点可能具有高软件漏洞或者添加具有较少或没有安全漏洞的另一节点的边，因为这两个节点使用不同的软件包或者具有与它们相关联的低漏洞。为了验证所提出的SDA方案，我们进行了大量的实验比较，建议SDA方案与对应的基线计划在真实的网络。我们的模拟实验结果证明了我们提出的SDA的性能优于现有的同行相比，并提供了深刻的调查结果的有效性和效率方面的建议SDA计划下的三个真实的网络拓扑结构具有很大的不同的网络密度。
2020-07-16 cs.CR
CASHEWS: Source Preprocessor for LLM-based Malicious Package Detection
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Socket Inc.（Socket公司）
CASHEWS是一个JavaScript预处理器，通过去混淆、提取模块和计算反向切片来精简代码，提高LLM恶意包检测覆盖率并降低假阴性率，使大规模分析更实用。
2026-09-17 cs.CR
Mayall: A Framework for Desktop JavaScript Auditing and Post-Exploitation Analysis
用JavaScript编写桌面应用程序为开发人员提供了编写具有最先进功能的跨平台应用程序的机会。然而，在这样做的过程中，他们可能会将代码提交给恶意行为者的一些未经批准的修改。Electron就是这样一个JavaScript应用程序框架，它促进了这种多平台的开箱即用范式，并基于Node.js JavaScript运行时--一种越来越流行的服务器端技术。在将这项技术引入客户端环境的过程中，由于Node.js提供了强大的系统编程接口，以前未意识到的风险暴露给了用户。为了突出这些快速扩展的框架中以前未暴露的风险，本文提出了Mayall框架，这是一个可扩展的工具包，旨在进行JavaScript安全审计和开发后分析。该论文还公开了15个非常受欢迎的Electron应用程序，并表明三分之二的应用程序被发现使用了CVSS得分较高的已知易受攻击的元素。此外，本文还披露了Electron Framework中一个影响广泛且被忽视的漏洞，该漏洞是每个应用程序未更改的运行时的直接副产品，允许恶意行为者修改源代码并在经过验证和签名的应用程序中无限制地注入隐蔽的恶意软件。最后，一些注入矢量进行了探讨，并提出了适当的补救措施。
2018-11-15 cs.CR cs.SE
When Flaws Cascade: Understanding Vulnerabilities and Exploitation Chains in JavaScript Engines
Tianjin University（天津大学）；Nanyang Technological University（南洋理工大学）；Singapore Management University（新加坡管理大学）；Qi An Xin Group Corp（奇安信集团）
本文通过对2017-2024年4款主流JavaScript引擎的241个漏洞开展实证研究，建立漏洞分类体系，分析其可利用性与缓解策略，为相关方提供提升引擎安全性的见解。
2026-10-09 cs.CR cs.SE
Beyond Single Bugs: Benchmarking Large Language Models for Multi-Vulnerability Detection
BITS Pilani（比斯·比兰迪大学）；Virginia Tech（弗吉尼亚理工大学）
本文提出多漏洞检测基准测试，评估LLMs在不同漏洞密度下的性能，发现高密度下性能显著下降，尤其在Python和JavaScript中表现较差。
2025-12-26 cs.AI cs.CR
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
Multi-Agent Taint Specification Extraction for Vulnerability Detection
North Carolina State University（北卡罗来纳州立大学）；University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；Boston University（波士顿大学）
SemTaint通过结合LLM语义理解和传统静态分析，提取定制化的污点规范以提升漏洞检测效果
2026-01-15 cs.CR cs.SE
Lags in the Release, Adoption, and Propagation of npm Vulnerability Fixes
第三方依赖关系中的安全漏洞不仅是受影响软件的开发人员日益关注的问题，而且还对整个软件生态系统构成风险，例如，心脏出血漏洞。最近的研究表明，开发人员对漏洞威胁的反应很慢，有时需要4到11个月才能采取行动。为了确保快速采用和传播的版本，包含修复（修复版本），我们进行了实证调查，以确定可能发生的滞后之间的脆弱的版本和它的修复版本（包端修复版本）。通过对GitHub上npm项目的231个包端修复版本的初步研究，我们观察到修复版本很少单独发布，高达85.72%的捆绑提交与修复无关。然后，我们将包端修复版本与客户端（客户端修复版本）上的更改进行比较。通过对影响整个网络的1，553，325个npm包版本的1，290个包端修复版本的采用和传播趋势的实证研究，我们发现陈旧的客户端需要额外的迁移工作，即使包端修复版本很快（即，包补丁着陆）。此外，我们显示的影响因素，如包端固定释放土地上的分支和脆弱性的严重程度，其传播。除了这些滞后，我们确定和表征，本文奠定了基础，为未来的研究如何减轻滞后的生态系统。
2021-03-31 cs.CR cs.SE
Understanding the Quality of Container Security Vulnerability Detection Tools
虚拟化使信息和通信技术行业能够更好地管理计算资源。在这方面，虚拟化方法的改进以及对一致的运行时环境、更低的开销和更小的包大小的需求导致了容器的日益普及。这是一种技术，它将应用程序、其依赖项和操作系统（OS）打包为一个独立的单元运行。然而，使用容器的紧迫问题是它对安全攻击的敏感性。因此，许多集装箱扫描工具可用于检测集装箱安全漏洞。因此，在这项研究中，我们通过提出两个反映覆盖率和准确性的指标来调查现有集装箱扫描工具的质量。我们使用不同的容器扫描工具（如Clair，Closore和Microscanner）分析了DockerHub上托管的Java应用程序的59个流行的公共容器映像。我们的研究结果表明，现有的容器扫描方法不能检测应用程序包漏洞。此外，现有的工具不具有高准确性，因为34%的漏洞被性能最好的工具遗漏。最后，我们还通过评估完整的漏洞环境来展示托管在DockerHub上的Java应用程序的Docker映像的质量，即，在图像中检测到的漏洞数量。
2021-01-11 cs.CR
From Coverage to Causes: Data-Centric Fuzzing for JavaScript Engines
Department of Computer Science, North Carolina State University（北卡罗来纳州立大学计算机科学系）
本文提出基于大语言模型的数据导向模糊测试方法，通过学习历史漏洞自动识别高风险输入特征，提升漏洞发现效率。
2025-12-19 cs.CR cs.LG cs.SE
PatchFuzz: Patch Fuzzing for JavaScript Engines
针对JavaScript引擎补丁模糊测试的种子来源受限与PoC收集难问题，提出端到端可持续方法PatchFuzz，通过自动化收集历史漏洞PoC并结合对应补丁进行选择性插桩与变异优化，在六款引擎中发现54个漏洞并获62,500美元赏金。
2025-05-01 cs.CR cs.SE
PatchRisk: Forecasting Future Vulnerability Exposure in Open-Source Dependency Networks
Augustana College（奥古纳学院）
针对开源依赖网络中的未来传递性漏洞暴露预测问题，提出防泄漏基准PatchRisk，并验证HistoryGraph特征在时间测试下显著提升AUPRC。
2026-10-22 cs.CR cs.SE
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
FuncVul: An Effective Function Level Vulnerability Detection Model using LLM and Code Chunk
FuncVul提出基于代码块的函数级漏洞检测模型，利用GraphCodeBERT和LLM，在C/C++和Python上平均准确率87-92%，F1 86-92%，比完整函数方法提升53.9%准确率。
2025-06-24 cs.CR
Small World with High Risks: A Study of Security Threats in the npm Ecosystem
JavaScript的流行导致了一个通过npm软件包注册表提供的第三方包的大型生态系统。npm的开放性推动了它的发展，提供了超过80万个免费和可重用的软件包。不幸的是，这种开放的性质也会导致安全风险，最近发生的单个软件包破坏或攻击数百万台计算机上运行的软件的事件就是明证。本文通过系统地分析软件包之间的依赖关系、负责这些软件包的维护者以及公开报告的安全问题，研究了npm用户的安全风险。通过研究由于第三方依赖而运行易受攻击或恶意代码的可能性，我们发现单个软件包可能会影响整个生态系统的大部分。此外，极少数的维护者帐户可以被用来将恶意代码注入到大多数软件包中，这个问题随着时间的推移而增加。通过研究意外使用易受攻击代码的可能性，我们发现缺乏维护会导致许多软件包依赖于易受攻击的代码，即使在漏洞公开多年后也是如此。我们的研究结果提供的证据表明，npm遭受单点故障和未维护的软件包威胁大型代码库。我们讨论了几种缓解技术，如可信的维护者和总的第一方安全，并分析其潜在的有效性。
2019-06-07 cs.CR
Profile of Vulnerability Remediations in Dependencies Using Graph Analysis
本研究引入结合节点中心性指标的改进GAT模型，通过图分析刻画依赖升级修复漏洞时的破坏性变更，发现核心代码漏洞互联度有限，为漏洞缓解及安全监测系统开发提供支撑。
2024-03-08 cs.CR cs.SE
Wasmati: An Efficient Static Vulnerability Scanner for WebAssembly
WebAssembly是一种新的二进制指令格式，允许浏览器的JavaScript引擎以接近本机的速度执行用高级语言编写的目标编译代码。然而，考虑到WebAssembly二进制文件可以从不安全的语言（如C/C++）编译，经典的代码漏洞（如缓冲区溢出或格式字符串）可以从原始程序转移到交叉编译的二进制文件中。因此，在WebAssembly模块中集成漏洞的可能性扩大了现代Web应用程序的攻击面。本文介绍了Wasmati，一个静态分析工具，用于发现WebAssembly二进制文件中的安全漏洞。它基于代码属性图（CPG）的生成，CPG是一种以前用于检测各种语言漏洞的程序表示，但迄今为止尚未应用于WebAssembly。我们形式化的定义CPG的WebAssembly，介绍技术来生成复杂的WebAssembly的CPG，并提出了四种不同的查询规约语言通过遍历程序的CPG发现漏洞。我们实现了十个查询，捕获不同的漏洞类型，并在四个异构数据集上广泛测试了Wasmati。我们表明，Wasmati可以为大型现实世界的应用程序扩展CPG的生成，并可以有效地找到我们所有的查询类型的漏洞。我们还在野外收集的WebAssembly二进制文件上测试了我们的工具，并确定了几个潜在的漏洞，其中一些我们已经手动确认存在，除非封闭的应用程序正确地清理了与这些受影响的二进制文件的交互。
2022-04-26 cs.CR
Cross-Ecosystem Vulnerability Analysis for Python Applications
University of Athens（雅典大学）；National Infrastructures for Research and Technology（国家研究与技术基础设施）；Athens University of Economics and Business（雅典经济与商业大学）；ETH Zurich（苏黎世联邦理工学院）；Technical University of Crete（克里特理工大学）
提出一种跨生态系统漏洞分析方法，通过内容哈希和动态分析解析供应商库，构建跨依赖边界的调用图进行可达性分析，有效减少误报和漏报。
2026-09-15 cs.CR cs.SE
PoCGen: Generating Proof-of-Concept Exploits for Vulnerabilities in Npm Packages
University of Stuttgart（斯图加特大学）；CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
本文提出PoCGen，通过结合大语言模型和静态动态分析，自动生成并验证npm包漏洞的概念验证漏洞利用，成功率达77%，优于现有基线方法。
2026-06-28 cs.CR cs.SE
Security Issues in Language-based Software Ecosystems
生态系统（LBE），即：基于单一程序设计语言的软件生态系统是非常常见的。例子包括JavaScript的npm生态系统和Python的PyPI。这些环境鼓励包之间的代码重用，并结合实用程序-包管理器-用于自动解决依赖关系。然而，使这些系统流行的相同方面-易于发布代码和导入外部代码-也产生了新的安全问题，到目前为止几乎没有研究。我们提出了一个系统的研究困扰LBE的安全问题。这些问题是这些生态系统工作方式所固有的，无法通过修复软件包或实用程序中的软件漏洞来解决，例如，包管理器工具，构建这些生态系统。我们从各个方面系统地描述了最近的安全攻击，包括攻击策略，向量和目标。我们对npm和PyPI生态系统的表征和深入分析表明，这些生态系统代表了最大的LBE，覆盖了近100万个包，这表明这些生态系统为攻击者提供了一个合适的环境，可以进行隐形攻击。总的来说，我们认为（i）完全自动检测恶意软件包可能是不可行的;但是（ii）帮助开发人员评估包括外部依赖项的风险的工具和指标将大大有助于防止攻击。
2021-11-30 cs.CR
Fakeium: A Dynamic Execution Environment for JavaScript Program Analysis
针对静态分析难处理混淆代码、动态分析成本高的问题，本文提出基于 V8 的开源轻量环境 Fakeium，以低开销支持大规模 JavaScript 动态分析并发现隐藏 API 调用。
2024-10-28 cs.CR cs.SE
Malicious Package Detection using Metadata Information
本文提出基于元数据的恶意包检测模型MeMPtec，通过提取并分类包元数据特征，显著降低误报和漏报率，并增强对抗攻击抵抗力。
2024-02-12 cs.CR
From Documentation to Zero-day Vulnerabilities: LLM-Driven Fuzzing of JavaScript Engines in PDF Readers
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；Boston University（波士顿大学）
针对现有PDF阅读器模糊测试工具的局限，提出基于LLM的PDFuzzer，生成复杂API调用序列，在三款主流阅读器上覆盖率提升48%，识别31个零日漏洞并获厂商漏洞赏金。
2026-08-20 cs.CR cs.SE
Security Vulnerabilities in AI-Generated Code: A Large-Scale Analysis of Public GitHub Repositories
该研究通过分析GitHub上7703份四大AI工具生成的代码文件，揭示了不同编程语言、不同AI工具生成代码的安全漏洞差异，还发现AI文档生成这一未被充分研究的应用场景，为负责任地集成AI生成代码提供参考。
2025-10-30 cs.CR
An Analysis of Security Vulnerabilities in Container Images for Scientific Data Analysis
软件容器极大地促进了科学数据分析在各种平台上的部署和再现。然而，容器镜像通常包含过时的或不必要的软件包，这增加了镜像中的安全漏洞的数量，扩大了容器主机中的攻击面，并为整个计算基础设施带来了重大的安全风险。本文提出了一种用于科学数据分析的容器图像的脆弱性分析。我们比较了四个漏洞扫描器获得的结果，重点是神经科学数据分析的用例，并量化了图像更新和缩小对漏洞数量的影响。我们发现，用于神经科学数据分析的容器镜像包含数百个漏洞，软件更新删除了大约三分之二的漏洞，删除未使用的包也很有效。最后，我们就如何构建具有减少漏洞数量的容器映像提出了建议。
2021-03-17 cs.CR
QRS: A Rule-Synthesizing Neuro-Symbolic Triad for Autonomous Vulnerability Discovery
University of Piraeus（比雷埃夫斯大学）；Athena Research Centre（雅典研究中心）
QRS通过神经符号方法生成代码查询，发现超出预定义模式的漏洞，显著降低假阳性，并在低开销下发现高严重性漏洞。
2026-08-21 cs.CR
Do Software Security Practices Yield Fewer Vulnerabilities?
本研究构建软件安全实践得分与漏洞数的机器学习模型，发现四项实践影响最大，但模型预测R²仅9%-12%，且安全得分高的包报告漏洞反而更多，建议优化相关指标以提供有效安全指导。
2023-06-15 cs.CR cs.SE
SōjiTantei: Function-Call Reachability Detection of Vulnerable Code for npm Packages
软件项目采用第三方依赖关系已经成为一种常见的做法。我们鼓励开发人员更新任何过时的依赖项，以免受潜在的漏洞威胁。在这项研究中，我们提出了一种方法来帮助开发人员显示是否有一个脆弱的代码是可达的JavaScript项目。我们的原型SōjiTantei从两个方面进行评估：（i）与手动方法相比的准确性;（ii）对78个安全漏洞案例中的780个客户端进行更大规模的分析。第一次评估显示，SōjiTantei具有83.3%的高准确性，每个客户端的分析速度不到一秒。第二次评估显示，在研究的78个漏洞中，有68个报告至少有一个干净的客户端。该研究证明，自动化是有前途的，有进一步改进的潜力。
2021-09-18 cs.CR cs.SE
An Empirical Study of Vulnerabilities in Python Packages and Their Detection
Monash University（墨尔本大学）；College of Intelligence and Computing, Tianjin University（智能与计算学院，天津大学）；University of Newcastle（新castle大学）
该研究构建了含1157个经开发者验证漏洞的Python包漏洞基准PyVul，通过LLM辅助清洗提升标注精度，分析了漏洞分布特征，并评估发现现有检测工具与真实需求存在显著差距。
2025-09-04 cs.AI cs.CR cs.SE
Taint-Based Code Slicing for LLMs-based Malicious NPM Package Detection
Ho Chi Minh City University of Technology (HCMUT), VNU-HCM（胡志明市理工大学）；Eastern International University（东方国际大学）；Univ. Grenoble Alpes, CNRS, Grenoble INP, VERIMAG, UMR 5104（格勒诺布尔阿尔卑斯大学）；PackGuard
提出基于污点代码切片的LLM框架，通过隔离安全相关数据流，将输入token数平均减少99.75%，在2537个包上达到87.04%的检测准确率，优于基线方法。
2026-06-16 cs.CR
Practical Automated Detection of Malicious npm Packages
npm注册表是JavaScript和TypeScript生态系统的支柱之一，托管了超过170万个包，从简单的实用程序库到复杂的框架和整个应用程序。由于npm的压倒性流行，它已成为恶意行为者的主要目标，他们发布新的包或破坏现有的包，以引入恶意软件，篡改或暴露安装这些包或任何（过渡性）依赖于它们的包的用户的敏感数据。防御此类攻击对于维护软件供应链的完整性至关重要，但软件包更新的绝对数量使得全面的手动审查变得不可行。我们提出了Amalfi，一种基于机器学习的方法，用于自动检测由三种互补技术组成的潜在恶意软件包。我们从已知的恶意和良性软件包的例子训练分类器开始。如果一个软件包被分类器标记为恶意软件，我们就会检查它是否包含有关其源代码库的元数据，如果包含，则检查该软件包是否可以从其源代码中复制。可从源代码复制的包通常不是恶意的，因此这一步允许我们剔除误报。最后，我们还采用了一个简单的文本克隆检测技术来识别可能被分类器错过的恶意软件包的副本，减少了误报的数量。Amalfi改进了现有技术，因为它是轻量级的，每个包只需要几秒钟就可以提取特征并运行分类器，并且在实践中取得了良好的效果：在一周内发布的96287个包版本上运行它，我们能够识别95个以前未知的恶意软件样本，误报数量可控。
2022-02-28 cs.CR cs.SE
Dazzle: Using Optimized Generative Adversarial Networks to Address Security Data Class Imbalance Issue
North Carolina State University（北卡罗来纳州立大学）
背景资料：机器学习技术在诸如软件漏洞预测等许多软件安全任务中得到了广泛的应用并表现出良好的性能。然而，软件漏洞数据集内的类比率通常是高度不平衡的（因为观察到的漏洞的百分比通常非常低）。目标：帮助安全从业人员解决软件安全数据类不平衡问题，并进一步帮助使用重新采样的数据集构建更好的预测模型。方法：我们引入了一种称为Dazzle的方法，它是条件Wasserstein生成对抗网络的优化版本。Dazzle使用一种名为贝叶斯优化的新型优化器探索了cWGAN-GP的架构超参数。我们使用Dazzle来生成少数类样本，以重新采样原始的不平衡训练数据集。结果：我们使用三个软件安全数据集评估Dazzle，即，Moodle漏洞文件、Ambari错误报告和JavaScript函数代码。我们表明，Dazzle是实用的，并证明了对现有的最先进的过采样技术，如SMOTE（例如，在所有数据集中，在召回方面平均比SMOTE提高约60%）。结论：基于这项研究，我们建议使用优化的GANs作为安全漏洞数据类不平衡问题的替代方法。
2022-05-02 cs.CR cs.LG cs.SE
ProfMalPlus: Agent-Coordinated Detection of Malicious NPM Packages via Static-Dynamic Analysis Synergy
Fudan University（复旦大学）
研究针对NPM包恶意代码检测问题，提出ProfMalPlus，结合对象敏感行为图与大语言模型推理，经多步骤提取安全切片并评估，对不确定情况增强证据后再评估，最终定位恶意代码，F1分数高且发现多个未知恶意包，性能优于现有检测器。
2026-07-16 cs.CR cs.SE
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 Closer Look at the Security Risks in the Rust Ecosystem
该研究针对Rust生态安全风险研究不足的问题，构建涵盖433个漏洞、300个漏洞仓库及218个修复提交的7年跨度数据集，系统分析漏洞特征、漏洞包属性及漏洞修复规律。
2023-08-29 cs.CR cs.SE
UniBOM -- A Unified SBOM Analysis and Visualisation Tool for IoT Systems and Beyond
UniBOM是一种用于物联网系统及更广泛领域的统一SBOM分析与可视化工具，通过集成二进制、文件系统和源代码分析，提升漏洞检测与风险管理能力。
2025-11-27 cs.CR cs.SE
A Ground-Truth-Based Evaluation of Vulnerability Detection Across Multiple Ecosystems
University of Applied Sciences Munich（慕尼黑应用科学大学）；Findustrial
本文基于真实数据集评估多生态系统中漏洞检测工具的差异，展示了透明数据集构建对可重复安全研究的重要性。
2026-04-22 cs.CR cs.SE
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
On the Feasibility of Cross-Language Detection of Malicious Packages in npm and PyPI
本研究提出一种基于语言无关特征的跨语言恶意包检测方法，通过训练模型捕捉 npm 和 PyPI 中恶意包的共性，成功检测出58个未知恶意包。
2023-10-14 cs.CR cs.SE
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
On the Difficulty of Selecting Few-Shot Examples for Effective LLM-based Vulnerability Detection
Colorado State University（科罗拉多州立大学）；Carnegie Mellon University（卡内基梅隆大学）
本文研究了在基于LLM的漏洞检测中选择少样本示例的两种标准，并发现不同编程语言对示例选择的响应不同。
2026-02-04 cs.CR cs.LG cs.SE
BinPool: A Dataset of Vulnerabilities for Binary Security Analysis
本文提出了一个名为BinPool的公开数据集，包含多年Debian软件包的漏洞与修补版本，涵盖603个CVE和6144个二进制文件，适用于评估漏洞发现、二进制函数相似性和抄袭检测等安全分析工具。
2025-04-27 cs.CR
Large Language Models for Secure Code Assessment: A Multi-Language Empirical Study
Technical University of Munich（慕尼黑工业大学）；Siemens AG（西门子股份公司）
本文研究了多语言环境下大型语言模型在安全代码评估中的有效性，通过实验发现GPT-4o在漏洞检测和CWE分类中表现最佳，并开发了CODEGUARDIAN工具提升开发人员的漏洞检测效率。
2026-02-17 cs.CR cs.SE
PATCHEVAL: A New Benchmark for Evaluating LLMs on Patching Real-World Vulnerabilities
针对现有漏洞修复基准的缺陷，本文提出覆盖Go、JS、Python的多语言基准PATCHEVAL，基于千个近年CVE构建数据集并配套沙箱验证环境，评估主流LLM与智能体的漏洞修复能力以指导后续AVR研究。
2025-11-14 cs.CR cs.SE
Unveiling the Invisible: Detection and Evaluation of Prototype Pollution Gadgets with Dynamic Taint Analysis
本文提出 Dasty，一种结合动态 AST 级插桩与增强动态污点分析的半自动化流水线，用于检测 Node.js 供应链中的原型污染 gadget，并在 NPM 生态和真实仪表板中验证其可导致 ACE/RCE。
2023-11-07 cs.CR cs.PL
MOLOT System Card: Malicious Operational Logic Observation Transformer
False Positive Community
提出MOLOT系统，利用静态调用图的行为序列进行恶意代码检测，结合解释阶段定位可疑行为，在PyPI和npm包上评估，并发布Open Malicious-Code Bench基准。
2026-06-05 cs.CR cs.LG cs.SE
