VFFINDER: A Graph-based Approach for Automated Silent Vulnerability-Fix Identification
针对开源项目静默漏洞修复难以识别的问题，提出基于图神经网络VFFINDER方法，利用AST结构特征区分修复与非修复提交，在36K+提交数据集上显著提升精确率、召回率和F1，并加速识别过程。
2023-09-05 cs.SE
Silent Vulnerability-fixing Commit Identification Based on Graph Neural Networks
提出VFFINDER，一种基于图神经网络的自动化静默漏洞修复识别方法，通过带注释的AST捕获代码结构变化，在精确率、召回率和F1上显著优于现有方法并加速识别过程。
2023-09-15 cs.SE
It Only Gets Worse: Revisiting DL-Based Vulnerability Detectors from a Practical Perspective
本文提出VulTegra评估框架，多维度对比基于DL的漏洞检测器，揭示SOTA模型在一致性、现实能力等方面的局限，并发现调整特定关键因素可显著提升检测召回率和F1分数。
2025-07-13 cs.SE
SCALE: Constructing Structured Natural Language Comment Trees for Software Vulnerability Detection
SCALE框架通过构建结构化自然语言注释树，将代码语句语义与执行序列融入预训练模型，以提升软件漏洞检测能力。
2024-03-28 cs.CR cs.SE
How Code Representation Shapes False-Positive Dynamics in Cross-Language LLM Vulnerability Detection
China Telecom Research Institute（中国电信研究院）
本文研究了代码表示格式对跨语言LLM漏洞检测假阳性的影响，通过对比不同训练强度和代码表示格式，发现文本微调会提高假阳性率，而AST表示能有效降低假阳性，且在不同语言间具有鲁棒性。
2026-04-30 cs.CR cs.SE
VuLASTE: Long Sequence Model with Abstract Syntax Tree Embedding for vulnerability Detection
在本文中，我们建立了一个名为VuLASTE模型，它把漏洞检测作为一个特殊的文本分类任务。为了解决词汇爆炸问题，VuLASTE使用了来自自然语言处理的字节级BPE算法。在VuLASTE中，添加了一个新的AST路径嵌入来表示源代码嵌套信息。我们还使用Longformer的全局和扩张窗口注意力的组合从源代码中提取长序列语义。为了解决漏洞检测数据集中普遍存在的数据不平衡问题，采用焦点损失作为损失函数，使模型在训练时集中于分类不好的案例。为了测试我们的模型在真实源代码上的性能，我们从Github安全咨询数据库中构建了一个跨语言和多存储库的漏洞数据集。在这个数据集上，VuLASTE获得了29，51，86，228的前50，前100，前200，前500的点击率，高于最先进的研究。
2023-02-05 cs.AI cs.SE
Coding-PTMs: How to Find Optimal Code Pre-trained Models for Code Embedding in Vulnerability Detection?
针对漏洞检测中代码预训练模型选择缺乏依据的问题，本文评估十种 PTM 的嵌入特征，提出含十三项指标与 Random Forest 推荐器的 Coding-PTMs 框架。
2024-08-09 cs.SE
Representation Matters: An Empirical Study of Program Representations for LLM Vulnerability Reasoning
University at Buffalo, SUNY（纽约州立大学布法罗分校）
通过 RepBench 基准比较原始源码与基于静态分析的程序表示，发现 AST+PDG 组合准确率达 83.2%，远超原始源码的 53.5%，表明精心选择的结构化表示能提供更优的准确率-开销权衡。
2026-06-25 cs.CR cs.SE
Multi-context Attention Fusion Neural Network for Software Vulnerability Identification
Cisco Systems（思科系统公司）
交付代码中的安全问题可能会导致不可预见的设备故障、系统崩溃或部署后被黑客恶意利用。这些漏洞会产生修复成本，最重要的是会危及公司的信誉。如果这些问题在发布之前就被检测到并被修复，这是值得的。通用弱点估计（CWE）是一个术语，描述了在C代码中观察到的一般漏洞模式。在这项工作中，我们提出了一个深度学习模型，学习有效地检测源代码中的一些常见类别的安全漏洞。AI架构是一种注意力融合模型，它结合了递归、卷积和自注意力网络的有效性，以解码代码中的漏洞热点。利用代码AST结构，我们的模型建立了一个准确的理解代码语义与少得多的可学习的参数。除了一种有效检测代码漏洞的新方法外，该模型的另一个新颖之处是精确指向模型认为易受攻击的代码部分。从而帮助开发人员快速关注易受攻击的代码部分;这成为漏洞检测的“可解释”部分。建议的AI在来自基准NIST SARD数据集的特定CWE上实现了98.40%的F1分数，并与最先进的技术水平进行了比较。
2021-04-19 cs.AI cs.SE
FaultLine: Automated Proof-of-Vulnerability Generation Using LLM Agents
FaultLine通过分层推理驱动的LLM智能体工作流，自动追踪漏洞数据流并生成PoV测试，在100个多语言漏洞数据集上相比CodeAct 2.1实现77%的相对改进。
2025-07-21 cs.SE
Revisiting the Performance of Deep Learning-Based Vulnerability Detection on Realistic Datasets
University of Waterloo（滑铁卢大学）
本文构建真实场景漏洞数据集Real-Vul，评估四种深度学习漏洞检测模型，揭示其在实际代码库中精确率和F1分数大幅下降，并针对过拟合问题提出数据增强方法，最多可提升30%性能。
2024-07-03 cs.AI cs.CR cs.LG
The Data Problem in Software Vulnerability Analysis: Artifacts, Quality, and Consumption
Oakland University（奥克兰大学）；Macau University of Science and Technology（澳门科技大学）；Kent State University（肯特州立大学）；University at Buffalo, SUNY（纽约州立大学布法罗分校）
本研究以1522篇论文及111篇锚定论文为基础，揭示软件漏洞分析数据集在真实性、标签证据等属性上的表现，发现代码样本数据集真实性最低，数据泄露等问题未被充分处理。
2026-09-02 cs.SE
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
Large Language Models for In-File Vulnerability Localization Can Be "Lost in the End"
Collegium Helveticum ETH Zurich（苏黎世联邦理工学院赫尔维蒂库姆学院）；University of Zurich（苏黎世大学）
本文评估GPT等基于聊天的LLMs检测文件内漏洞的有效性，发现其性能受漏洞位置和输入大小影响，较大文件末尾漏洞检测性能显著下降（“在末尾迷失”效应），并提出最佳输入大小策略，使平均召回率提升超37%。
2025-02-09 cs.AI cs.SE
The Code Whisperer: LLM and Graph-Based AI for Smell and Vulnerability Resolution
本文提出Code Whisperer框架，结合图分析与大语言模型，统一检测和修复代码维护性和安全性问题，提升检测性能和修复建议实用性。
2026-04-12 cs.AI cs.SE
Securing AI-Generated Code: A Just-in-Time Vulnerability Detection and Remediation Pipeline
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种自动化安全评估流水线，可检测、修复AI生成代码的漏洞，在Claude的4种模型上评估发现，P2配置表现优于P1，Sonnet 4.6的修复效果最佳，且流水线有效性与初稿安全性不同。
2026-08-18 cs.AI cs.CR cs.SE
LLM-based Vulnerability Discovery in Business Process Documentation
Peraton Labs（佩拉顿实验室）
该研究将LLMs应用于MIRABELLE系统，通过实验测试多种LLMs在业务流程文档漏洞检测各阶段的性能，以实现从业务流程表示中识别业务逻辑漏洞。
2026-08-06 cs.CL cs.SE
Detecting Data Poisoning in Code Generation LLMs via Black-Box, Vulnerability-Oriented Scanning
University of Connecticut（康涅狄格大学）；Visa Research（Visa研究）
本文提出CodeScan框架，通过分析多生成代码的结构相似性，结合抽象语法树规范化，检测代码生成模型中的安全漏洞，实现高准确率的数据中毒检测。
2026-09-25 cs.AI cs.CR cs.SE
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
Trace: Securing Smart Contract Repository Against Access Control Vulnerability
School of Software Engineering, Sun Yat-sen University（中山大学软件学院）；Kashi Institute of Electronics and Information Industry（喀什电子信息产业研究院）
针对现有智能合约漏洞检测工具无法处理不可编译仓库的问题，提出结合大语言模型补全代码、基于调用图与控制流图检测访问控制漏洞的TRACE工具，在多类数据集上精度均显著优于现有方案。
2025-10-22 cs.SE
SoliDiffy: AST Differencing for Solidity Smart Contracts
本研究提出首款面向Solidity智能合约的AST差异比对工具SoliDiffy，可生成含四类操作的编辑脚本呈现结构差异，在大规模合约对和真实提交实验中均优于现有方法，已开源。
2025-03-19 cs.PL cs.SE
An Empirical Study on Android-related Vulnerabilities
移动设备在日常生活中的使用越来越多。它们是我们的相机、钱包和钥匙。基本上，它们将我们的大部分私人信息嵌入我们的口袋里。由于这个原因和其他原因，移动设备，特别是在它们上运行的软件，被认为是软件漏洞领域的一等公民。一些研究调查了移动应用程序以及更广泛的移动设备背景下的软件漏洞现象。这些研究大多集中在可能影响移动应用程序的漏洞上，而只有少数研究影响移动应用程序运行的底层平台的漏洞：操作系统（OS）。此外，这些研究是在非常有限的一组漏洞上进行的。在本文中，我们提出了迄今为止调查Android相关漏洞的最大研究，特别关注影响Android操作系统的漏洞。特别是，我们（i）定义了Android相关漏洞类型的详细分类;（ii）调查受漏洞影响的Android操作系统的层和子系统;（iii）研究漏洞的生存能力（即，漏洞引入和修复之间的天数）。我们的发现可以帮助操作系统和应用程序开发人员专注于他们的验证和验证活动，并帮助研究人员构建为移动世界量身定制的漏洞检测工具。
2017-04-11 cs.CR cs.SE
Detecting Security Patches via Behavioral Data in Code Repositories
Tel-Aviv University（特拉维夫大学）
当今绝大多数软件都是使用协作版本控制工具（如Git）协作开发的。通常的做法是，一旦发现并修复了漏洞，软件背后的开发人员就会发布一个常见漏洞和暴露或CVE记录，以提醒用户社区注意安全隐患，并敦促他们集成安全补丁。然而，有些公司可能不会披露他们的漏洞，只是更新他们的存储库。因此，用户不知道该漏洞，并可能仍然暴露。在本文中，我们提出了一个系统来自动识别安全补丁，只使用Git存储库中的开发人员行为，而不分析代码本身或伴随修复的注释（提交消息）。我们可以发现隐藏的安全补丁，准确率为88.3%，F1得分为89.8%。这是第一次提出一个语言无关的解决方案。
2023-02-04 cs.CR cs.LG cs.SE
Predicting Vulnerability In Large Codebases With Deep Code Representation
Cisco Systems（思科系统公司）
目前，当软件工程师为各种模块编写代码时，经常会引入各种类型的错误-编码，逻辑，语义和其他（其中大多数不会被编译和其他工具捕获）。其中一些bug可能会在测试的后期发现，很多时候客户会在生产代码中报告。公司不得不花费大量的资源，包括金钱和时间来寻找和修复错误，如果编码正确，这些错误本可以避免。此外，软件中隐藏的缺陷可能导致安全漏洞，从而可能使攻击者危及系统和应用程序。有趣的是，过去修复过的相同或相似的问题/错误（尽管在不同的模块中）往往会再次引入生产代码。我们开发了一个新的基于人工智能的系统，它使用从源代码创建的抽象树（AST）的深度表示以及主动反馈循环来识别和警告可能在开发本身时引起的潜在错误，即开发人员正在编写新代码（逻辑和/或函数）。这个工具与IDE集成为一个插件将在后台工作，指出现有的类似功能/代码段和这些功能中的任何相关错误。该工具将使开发人员能够在开发时就纳入建议，而不是等待UT/QA/客户提出缺陷。我们评估了我们的工具上的开源代码和思科代码库的C和C++编程语言。我们的研究结果证实，源代码的深度表示和主动反馈循环是预测代码中存在的安全性和其他漏洞的可靠方法。
2020-04-24 cs.LG cs.SE
AST-Enhanced or AST-Overloaded? The Surprising Impact of Hybrid Graph Representations on Code Clone Detection
University of Galway（Galway大学）；CRT-AI, Irish National Centre for Research Training in Artificial Intelligence（CRT-AI，爱尔兰人工智能研究培训国家中心）；Lero, the Research Ireland Centre for Software（Lero，爱尔兰软件研究中心）
针对AST缺乏语义深度的问题，该研究实证评估多种AST混合图表示在不同GNN代码克隆检测中的效果，发现不同表示对模型影响各异，且GMN用标准AST也性能最优。
2025-06-17 cs.AI cs.SE
Bringing Order Amidst Chaos: On the Role of Artificial Intelligence in Secure Software Engineering
本文通过实证评估SASTT、数据集与即时建模等方法，揭示安全软件工程中漏洞预测的工具局限和上下文重要性，以提升AI缺陷预测效果。
2025-01-09 cs.AI cs.CL cs.CR
Bringing Structure to Naturalness: On the Naturalness of ASTs
National Institute of Informatics（情报研究机构（日本））；The Graduate University for Advanced Studies, SOKENDAI（高级研究大学院大学（SOKENDAI））
本文明确提出并研究结构化自然性假设，通过在抽象语法树上使用TreeLSTM模型分析不同编程语言的统计可预测性，并证明该自然性信号可用于即时缺陷预测且无需手工特征工程。
2025-04-11 cs.LG cs.SE
VEX-Bench: Benchmarking LLM Agents for Assessing Exploitability of Software Supply Chain Vulnerabilities
Purdue University（普渡大学）；Red Hat（红帽公司）
VEX-Bench是首个评估LLM智能体判断软件供应链漏洞可利用性的基准，含75个真实案例，覆盖Python、Java和Go，实验表明现有模型在细粒度理由分类上仍面临挑战。
2026-09-09 cs.CR cs.LG cs.SE
