VulValidate: Auditing Function-Level Vulnerability Labels with Executable Evidence
University of Louisiana at Lafayette(路易斯安那大学拉法叶分校)
VulValidate利用LLM智能体协调动态分析工具,基于可执行证据审计函数级漏洞标签,修正了BigVul等数据集中的大量错误标签,并提升了检测器性能。
2026-10-06 cs.AI cs.CR cs.SE
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
Unintentional Security Flaws in Code: Automated Defense via Root Cause Analysis
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
本文针对初级开发者难以定位漏洞根因的问题,提出结合 T5 与图卷积网络的自动化根因分析工具 T5-RCGCN,实验表明其可将代码安全性提升 28.9%,并促进开发者长期安全能力成长。
2024-08-30 cs.CR cs.LG cs.SE
Detecting Vulnerable Nodes in Urban Infrastructure Interdependent Network
Tsinghua University(清华大学);Tsingroc Inc.(清罗科公司)
本文将城市相互依赖网络建模为异构图,提出基于图神经网络与强化学习的系统,通过深度学习分析异构图以捕捉级联故障风险并发现脆弱基础设施,实验证明其表达能力与组件迁移的必要性。
2023-08-01 cs.AI cs.LG cs.SI
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
Efficient but Vulnerable: Benchmarking and Defending LLM Batch Prompting Attack
George Mason University(乔治·马歇尔大学)
本研究揭示批量提示存在安全漏洞,构建BATCHSAFEBENCH基准,发现所有大模型易受攻击,并提出探测式防御方法,检测准确率达95%。
2025-06-20 cs.AI cs.CR cs.LG
Multi-View Pre-Trained Model for Code Vulnerability Identification
East China Normal University(华东师范大学);Guangdong University of Finance & Economics(广东财经大学)
漏洞识别对于软件相关行业的网络安全至关重要。早期的识别方法需要大量的手工工作来制作功能或注释易受攻击的代码。虽然最近的预训练模型缓解了这个问题,但它们忽略了代码本身包含的多种丰富的结构信息。在本文中,我们提出了一种新的多视图预训练模型(MV-PTM),编码源代码的顺序和多类型的结构信息,并使用对比学习,以提高代码表示。在两个公开数据集上进行的实验证明了MV-PTM的优越性。特别是,MV-PTM在F1得分方面平均将GraphCodeBERT提高了3.36%。
2022-08-10 cs.AI cs.SE
Vulnerability of Deep Learning
School of Physics and Astronomy, University of Edinburgh(爱丁堡大学物理与天文学院)
Renormalisation Group(RG)提供了一个框架,可以评估深度学习网络是否对输入数据的微小变化敏感,从而容易出错,或者容易受到对抗性攻击。不同的分类输出与不同的RG固定点相关联,并且对输入数据中的小变化的敏感性是由于在固定点处存在相关算子。基于蒙特卡罗RG思想,提出了一种数值方案,用于识别输入数据中相关算子的存在性和相应的最大灵敏度方向。因此,可以测试经过训练的深度学习网络的鲁棒性,并且如果它容易受到攻击,则可以识别输入数据的危险扰动。
2018-03-16 cond-mat.dis-nn cond-mat.stat-mech cs.AI
Vulnerability Detection with Fine-grained Interpretations
尽管基于机器学习(ML)和深度学习(DL)的漏洞检测器(VD)取得了成功,但它们仅限于提供关于给定代码是否易受攻击的决策,而没有关于代码的哪一部分与检测到的漏洞相关的细节。我们提出了IVDetect一个可解释的漏洞检测器,其理念是使用人工智能(AI)来检测漏洞,同时使用智能助手(IA)通过提供VD解释易受攻击的语句。对于漏洞检测,我们通过数据和控制依赖分别考虑易受攻击的语句及其周围的上下文。这使得我们的模型更好地区分易受攻击的语句,而不是像现有方法那样使用易受攻击的代码和上下文代码的混合。除了粗粒度的漏洞检测结果外,我们还利用可解释的AI为用户提供细粒度的解释,包括程序依赖图(PDG)中的子图,以及与检测到的漏洞相关的关键语句。我们对漏洞数据库的实证评估表明,IVDetect在nDCG和MAP排名前10位的得分上比现有的基于DL的方法高出43%-84%和105%-255%。IVDetect通过其解释正确地指出了与漏洞相关的易受攻击的陈述-在67%的情况下排名前5位。它比基线解释模型的准确性提高了12.3%-400%和9%-400%。
2021-06-19 cs.CR cs.SE
Can Neural Decompilation Assist Vulnerability Prediction on Binary Code?
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学)
本文提出一种无需源代码的漏洞预测方法,通过神经反编译将二进制文件转为源代码后利用深度学习进行预测,在二分类和多分类分析中均超越现有技术。
2025-03-29 cs.AI cs.CR cs.LG
On the Use of Fine-grained Vulnerable Code Statements for Software Vulnerability Assessment Models
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)
许多研究已经开发了机器学习(ML)方法来检测函数中的软件漏洞(SV)和导致此类SV的细粒度代码语句。然而,利用这些检测输出进行数据驱动的SV评估以提供有关SV的可利用性、影响和严重性的信息的工作很少。这些信息对于了解SV并确定其修复的优先级非常重要。使用来自200个真实项目中429个SV的1,782个功能的大规模数据,我们研究了用于自动化功能级SV评估任务的ML模型,即,预测七个通用漏洞评分系统(CVSS)指标。我们特别研究的价值和使用的脆弱的报表作为输入开发的评估模型,因为SV的功能起源于这些报表。我们发现,脆弱的报表是5.8倍小的大小,但表现出7.5-114.5%的评估性能(马修斯相关系数(MCC))比非脆弱的报表。消除易受攻击语句的上下文进一步提高了性能,最高可达8.9%(0.64 MCC和0.75 F1-Score)。总的来说,我们提供了初步的但有前途的ML为基础的基线功能级SV评估,铺平了道路,在这个方向上的进一步研究。
2022-03-16 cs.CR cs.LG cs.SE
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
Predicting Likely-Vulnerable Code Changes: Machine Learning-based Vulnerability Protections for Android Open Source Project
Google(谷歌)
本文提出一个基于机器学习的漏洞预防框架,在代码提交前自动触发安全审查,通过分类器识别高风险变更,在AOSP数据集上实现约80%召回率、98%精确率和1.7%误报率。
2024-05-26 cs.AI cs.CR cs.CY
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
Improving LLM Reasoning for Vulnerability Detection via Group Relative Policy Optimization
Institute of Informatics and Telematics, National Research Council of Italy(意大利国家研究理事会信息与电信研究所);Department of Excellence in Robotics and AI, TeCIP, Scuola Superiore Sant'Anna(卓越机器人与人工智能系,TeCIP,圣安娜高等学院)
本文针对大语言模型在漏洞检测中预测偏差的问题,提出基于分组相对策略优化(GRPO)和规则化奖励的微调方法,并利用 BigVul、DiverseVul、CleanVul 数据集验证其在泛化、推理和性能上优于监督微调。
2025-07-03 cs.AI cs.CL cs.CR
Vulpedia: Detecting Vulnerable Ethereum Smart Contracts via Abstracted Vulnerability Signatures
近年来,智能合约在构建值得信赖的去中心化应用程序方面越来越受欢迎。以前的研究已经提出了静态和动态技术来检测智能合约中的漏洞。这些工具根据几个预定义的规则检查易受攻击的合同。然而,不断出现的新的脆弱类型和编程技能,以防止可能出现的漏洞,导致大量的误报和漏报的工具。为了解决这个问题,我们提出了Vulpedia,它从合同中挖掘表达性漏洞签名。Vulpedia基于一个宽松的假设,即合同所有者没有恶意。具体而言,我们从脆弱和良性合约中提取结构化程序特征作为漏洞特征,并基于漏洞特征构成的检测规则构建了一个系统的检测方法。与现有技术定义的规则相比,我们的方法可以提取更具表达性的规则,以实现更好的完整性(即,检测回忆)和可靠性(即,精度)。我们进一步评估Vulpedia的四个基线(即,Slither,Securify,SmartCheck和Oyente)在由17,770份合同组成的测试数据集上进行了测试。实验结果表明,Vulpedia在4类漏洞的查准率和3类漏洞的查全率方面表现最好,同时也表现出了较高的查准率和查全率。
2022-07-05 cs.CR cs.DC cs.SE
LLM-based Vulnerable Code Augmentation: Generate or Refactor?
University of Mons - Computer science department(蒙斯大学-计算机科学系)
本文提出基于LLM的漏洞代码增强方法,通过生成或重构技术提升漏洞分类器性能,实验表明混合策略效果最佳。
2026-02-10 cs.AI cs.CR
Learning from What We Know: How to Perform Vulnerability Prediction using Noisy Historical Data
脆弱性预测是指识别最有可能脆弱的系统组件的问题。通常,这个问题是通过在历史数据上训练二进制分类器来解决的。不幸的是,最近的研究表明,由于以下两个原因,这种方法表现不佳:a)问题的不平衡性质,以及b)固有的噪声历史数据,即,大多数漏洞发现的时间比它们被引入的时间要晚得多。这会误导分类器,因为它们学会将实际的脆弱组件识别为非脆弱组件。为了解决这些问题,我们提出了TROVON,这是一种从已知的易受攻击的组件中学习的技术,而不是像通常那样从易受攻击和非易受攻击的组件中学习。我们通过对比已知的脆弱性和它们各自的固定组件来执行此操作。通过这种方式,TROVON设法从我们所知道的事情中学习,即,漏洞,从而减少噪音和不平衡数据的影响。我们通过将TROVON与三个安全关键开源系统上的现有技术进行比较来评估TROVON,即,Linux Kernel、OpenSSL和Wireshark,其历史漏洞已在国家漏洞数据库(NVD)中报告。我们的评估表明,TROVON的预测能力明显优于现有的漏洞预测技术,如软件挖掘,导入,函数调用,文本挖掘,Devign,LSTM和LSTM-RF,在干净的训练数据设置下,Matthews相关系数(MCC)分数提高了40.84%,在现实的训练数据设置下提高了35.52%。
2022-07-25 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
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
A Slicing-Based Approach for Detecting and Patching Vulnerable Code Clones
本文提出srcVul方法,结合程序切片与局部敏感哈希检测易受攻击的代码克隆并推荐补丁,在漏洞数据库上取得91%精确率和75%召回率。
2025-05-05 cs.CR cs.SE
KernJC: Automated Vulnerable Environment Generation for Linux Kernel Vulnerabilities
针对内核漏洞复现中环境构建的挑战,提出基于补丁和图的方法自动识别易受攻击内核版本及必要配置,开发了工具 KernJC 并构建数据集,成功复现 66 个漏洞并发现 NVD 中 128 个虚假版本声明。
2024-09-24 cs.CR cs.SE
Creating a vulnerable node based on the vulnerability MS17-010
本研究分析复现影响Windows系统SMBv1协议的MS17-010漏洞,构建易受攻击节点,用MAL图形式化漏洞利用过程,复现基于Metasploit Framework的Python脚本攻击,并给出对应基础安全防护措施。
2024-01-26 cs.CR
CognixShield: PoV-Guided Vulnerable API Usage Detection in Large Codebases via LLMs
Virginia Tech(弗吉尼亚理工大学);Nanyang Technological University(南洋理工大学);Wake Forest University(维克森林大学)
CognixShield是一款LLM驱动的框架,通过保留语义的AST碎片化、感知漏洞的多智能体RAG、PoV引导的语义推理三个核心组件,在57个Java应用上实现了优于现有工具的漏洞API使用检测性能。
2026-08-11 cs.CR cs.SE
VUDENC: Vulnerability Detection with Deep Learning on a Natural Codebase for Python
Humboldt-Universität zu Berlin(柏林洪堡大学);University of Paderborn(帕德博恩大学);University of Bern(伯尔尼大学)
识别潜在的易受攻击的代码对于提高我们软件系统的安全性非常重要。然而,软件漏洞的手动检测需要专业知识并且是耗时的,并且必须由自动化技术支持。目的:这种自动化漏洞检测技术应该实现高准确性,将开发人员直接指向易受攻击的代码片段,扩展到真实世界的软件,跨特定软件项目的边界进行概括,并且不需要或仅需要适度的设置或配置工作。方法:在本文中,我们将介绍VUDENC(Vulnerability Detection with深度学习on a Natural Codebase),这是一个基于深度学习的漏洞检测工具,可以自动从大型真实Python代码库中学习易受攻击代码的特征。VUDENC应用word 2 vec模型来识别语义相似的代码标记并提供矢量表示。然后,使用长短期记忆单元(LSTM)网络对易受攻击的代码令牌序列进行细粒度分类,突出显示源代码中可能包含漏洞的特定区域,并为其预测提供置信度。结果如下:为了评估VUDENC,我们使用了来自不同GitHub存储库的1,009个可修复性提交,这些存储库包含七种不同类型的漏洞(SQL注入,XSS,命令注入,XSRF,远程代码执行,路径泄露,Open重定向)用于培训。在实验评测中,VUDENC的召回率为78%-87%,准确率为82%-96%,F1评分为80%-90%。VUDENC的代码、漏洞的数据集和word 2 vec模型的Python语料库都可以复制。结论…
2022-01-20 cs.CR cs.LG cs.SE
Transformer-based Vulnerability Detection in Code at EditTime: Zero-shot, Few-shot, or Fine-tuning?
Microsoft(微软)
本文提出利用预训练 LLM 的零样本、少样本与微调方法,在编辑时对不完整代码检测 250 多种漏洞,性能提升 10%,高风险场景漏洞最多减少 90%。
2023-05-23 cs.AI cs.CR cs.LG
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
Does the Vulnerability Threaten Our Projects? Automated Vulnerable API Detection for Third-Party Libraries
本文提出 VAScanner,通过补丁筛选与增强机制识别漏洞根方法,并结合后向调用图分析检测 Java 项目实际使用的第三方库漏洞 API,显著降低误报和漏报。
2024-09-04 cs.CR cs.SE
The (Un)Reliability of NVD Vulnerable Versions Data: an Empirical Experiment on Google Chrome Vulnerabilities
NVD是研究人员用于对漏洞数据集进行实证研究的最受欢迎的数据库之一。我们最近对NVD报告的Chrome漏洞数据进行了分析,发现数据中存在一个异常现象,几乎所有漏洞都源于第一个版本。这启发了我们的实验来验证NVD脆弱版本数据的可靠性。在这个实验中,我们验证了NVD声称易受攻击的每个Chrome版本实际上都是易受攻击的。该实验揭示了Chrome漏洞数据中的几个错误。此外,我们还分析了这些错误如何影响基础脆弱性实证研究的结论。结果表明,由于数据误差的影响,可能会得出不同的结论。
2013-02-17 cs.CR
Today's Cat Is Tomorrow's Dog: Accounting for Time-Based Changes in the Labels of ML Vulnerability Detection Approaches
University of Trento(特伦托大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
针对机器学习漏洞检测中标签随时间变化导致性能评估失真的问题,提出基于时间重构数据集的方法,结合Mann-Kendall检验验证模型学习效果,实验发现多数模型性能未随数据积累稳定提升。
2025-06-13 cs.AI cs.CR
Silent Vulnerable Dependency Alert Prediction with Vulnerability Key Aspect Explanation
由于方便,开源软件被广泛使用。出于有益的原因,开源维护者经常默默地修复漏洞,使他们的用户不知道威胁的更新。以往的工作都集中在黑盒二进制检测的沉默的依赖警报,遭受高误报率。开源软件用户需要自己分析和解释人工智能预测。可解释的人工智能作为黑盒人工智能模型的补充变得引人注目,它以各种形式提供细节来解释人工智能决策。注意到仍然没有技术可以及时发现沉默的依赖警报,在这项工作中,我们提出了一个框架,使用编码器-解码器模型与二进制检测器提供可解释的沉默的依赖警报预测。我们的模型生成4种类型的漏洞关键方面,包括漏洞类型,根本原因,攻击向量和影响,以提高可信度和用户接受警报预测。通过几个模型和输入的实验,我们证实了提交消息和代码更改的CodeBERT达到了最佳效果。我们的用户研究表明,可解释的警报预测可以帮助用户更容易地找到沉默的依赖警报比黑盒预测。据我们所知,这是第一个将可解释人工智能应用于无声依赖警报预测的研究工作,打开了相关领域的大门。
2023-02-15 cs.CR cs.SE
VulSPG: Vulnerability detection based on slice property graph representation learning
漏洞检测是软件安全中的一个重要问题。尽管已经提出了各种数据驱动的漏洞检测方法,但由于现实世界中易受攻击代码在语法和语义上的多样性和复杂性使得难以使用常规深度学习模型提取易受攻击的特征,特别是在分析大型程序时。此外,现实世界中的脆弱代码包含大量与脆弱性无关的冗余信息,这一事实将进一步加剧上述问题。为了缓解这些挑战,我们定义了一种新的代码表示命名为切片属性图(SPG),然后提出VulSPG,一种新的漏洞检测方法,使用改进的R-GCN模型与三重注意力机制,以确定潜在的漏洞SPG。与其他方法相比,我们的方法至少有两个优点。首先,我们提出的SPG可以反映丰富的语义和明确的结构信息,可能是相关的漏洞,同时消除尽可能多的无关信息,以减少图的复杂性。其次,VulSPG在R-GCN中引入了三重注意力机制,以实现从SPG中更有效地学习漏洞模式。我们已经在两个大规模数据集上广泛评估了VulSPG,其中包括来自SARD和真实项目的程序。实验结果证明了VulSPG的有效性和效率。
2021-09-06 cs.CR cs.SE
Identifying Vulnerable Third-Party Java Libraries from Textual Descriptions of Vulnerabilities and Libraries
针对现有方法在识别名称复杂相似的易受攻击Java库时准确率低的问题,提出VulLibMiner,结合TF-IDF匹配器与BERT-FNN模型,从漏洞和库的文本描述中识别易受攻击库,并在VulLib数据集上取得F1分数0.657,优于现有方法的0.521。
2023-11-17 cs.CR cs.SE
ConsiDroid: A Concolic-based Tool for Detecting SQL Injection Vulnerability in Android Apps
在本文中,我们提出了一个concolic执行技术,用于检测Android应用程序中的SQL注入漏洞,我们称之为ConsiDroid的新工具。我们使用mocking技术扩展应用程序的源代码,这样原始源代码的执行不受影响。扩展的源代码可以被视为Java应用程序,并且可以由SPF以concolic执行来执行。我们自动地从静态分析中生成一个DummyMain类,以便按顺序调用基本函数,并触发导致易受攻击函数的事件。我们在ConsiDroid中使用污点分析扩展SPF。为了使污点分析成为可能,我们引入了一种新的符号模拟类技术,以减轻污染值在代码中的传播。SQL注入漏洞是通过接收易受攻击的函数的污染值来检测的。此外,ConsiDroid还利用静态分析来调整SPF,以便只检查可疑路径。为了说明ConsiDroid的适用性,我们从F-Droid存储库中随机选择了140个应用程序。从这些应用程序中,我们发现了三个容易受到SQL注入攻击的应用程序。为了验证它们的漏洞,我们使用Robolectric根据ConsiDroid的报告手动分析了这些应用程序。
2019-08-08 cs.CR cs.SE
Are Latent Vulnerabilities Hidden Gems for Software Vulnerability Prediction? An Empirical Study
The University of Adelaide(阿德莱德大学);Monash University(莫纳什大学)
本文通过大规模实证研究揭示数据集中被忽视的潜在软件漏洞,发现其虽含约6%噪声,但可使漏洞数量增加4倍,并显著提升函数级和代码行级漏洞预测性能。
2024-01-20 cs.CR cs.LG cs.SE
Validating Threat Modeling Results with the Help of Vulnerable Test Applications
Blekinge Institute of Technology(布莱金厄理工学院);Ericsson(爱立信)
本文提出利用已知漏洞的测试应用作为基准,通过比较LLM辅助工具ThreMoLIA与微软威胁建模工具MTMT在AzureGoat和VulnBank上的漏洞覆盖率,验证威胁建模结果的有效性。
2026-05-22 cs.CR
Featherweight Assisted Vulnerability Discovery
Loyola University Maryland(马里兰洛约拉大学);Simula Research Laboratory(西穆拉研究实验室)
预测易受攻击的源代码有助于将注意力集中在需要更仔细检查的代码部分。最近的工作提出了使用函数名称作为语义线索,可以通过深度神经网络(DNN)学习,以帮助寻找函数的脆弱性。结合标识符分裂,每个函数名称分为其组成的话,与一种新的基于频率的算法,我们探讨在何种程度上构成一个函数的名称的话可以预测潜在的脆弱功能。与只考虑函数名称的DNN的 * 轻量级 * 预测相反,避免使用DNN提供了 * 轻量级 * 预测。其基本思想是,包含某些“危险”单词的函数名更有可能伴随着易受攻击的函数。当然,这是假设基于频率的算法可以适当地调整,以专注于真正危险的单词。因为它比DNN更透明,所以基于频率的算法使我们能够研究DNN的内部工作原理。如果成功的话,对DNN做什么和不做什么的调查将有助于我们训练更有效的未来模型。我们经验评估我们的方法在异构数据集上包含超过73000个功能标记为脆弱,超过950000个功能标记为良性。我们的分析表明,单词本身就占了DNN分类能力的很大一部分。我们还发现,在具有更均匀词汇的数据集中,单词具有最大的价值。因此,当在给定项目的范围内工作时,词汇表是一致的,我们的方法提供了一种更便宜的,潜在的互补技术,以帮助寻找源代码漏洞。最后,这种方法具有的优点是,它是可行的数量级较少的训练数据。
2022-02-06 cs.CR cs.LG cs.SE
Efficient Avoidance of Vulnerabilities in Auto-completed Smart Contract Code Using Vulnerability-constrained Decoding
Norwegian University of Science and Technology(挪威科技大学);Southeast University(东南大学)
针对大语言模型合成的自动补全代码存在大量漏洞的问题,提出漏洞约束解码方法,通过微调模型生成漏洞标签并在解码时禁止生成,有效降低了以太坊智能合约自动补全中的漏洞率。
2023-10-06 cs.AI cs.CL cs.CR
V-Fuzz: Vulnerability-Oriented Evolutionary Fuzzing
Fuzzing是一种通过使用大量异常输入反复执行软件来发现错误的技术。现有的模糊化方法大多对软件的各个部分进行了平等的考虑,过多地关注如何提高代码覆盖率。这是低效的,因为易受攻击的代码只占整个代码的一小部分。在本文中,我们设计并实现了一个面向兼容性的进化模糊原型V-Fuzz,其目的是在有限的时间内有效地发现错误,快速。V-Fuzz由两个主要部分组成:一个基于神经网络的脆弱性预测模型和一个面向能力的进化模糊器。给定一个二进制程序到V-Fuzz,漏洞预测模型将给出一个关于软件的哪些部分更容易受到攻击的先验估计。然后,模糊器利用进化算法来生成倾向于到达脆弱位置的输入,由脆弱性预测结果引导。实验结果表明,V-Fuzz可以发现错误更有效地比国家的最先进的模糊。此外,V-Fuzz已经发现了10个CVE,其中3个是新发现的。我们报告了新的CVE,它们已得到确认和修复。
2019-01-04 cs.CR
Impact of Dataset Properties on Membership Inference Vulnerability of Deep Transfer Learning
Department of Computer Science, University of Helsinki(赫尔辛基大学计算机科学系);School of Informatics, Kyoto University(京都大学信息学系)
研究揭示了数据集属性对深度迁移学习成员推断漏洞的影响,发现样本数量增加可降低非DP模型的漏洞,但保护最脆弱点需大规模数据集。
2026-02-02 cs.CR cs.LG
From Lab to Reality: A Practical Evaluation of Deep Learning Models and LLMs for Vulnerability Detection
DistriNet Group-T, KU Leuven(DistriNet集团-T,根特大学)
系统评估深度学习模型和大型语言模型在真实世界漏洞检测中的表现,发现它们在分布外数据集上性能急剧下降,揭示了学术基准与现实部署之间的差距。
2026-11-05 cs.CR cs.LG cs.SE
Dissecting the Black Box: Circuit-Level Analysis of LLM Vulnerability Detection
Lund University(隆德大学)
通过机械可解释性分析 Gemma-2-2b 模型在 C/C++ 漏洞检测中的内部计算,发现模型主要依赖安全检测器(识别安全编码模式的注意力头)而非直接检测漏洞特征,并识别出关键神经组件(早期层注意力头和 MLP 神经元),通过消融实验验证其因果作用。
2026-05-28 cs.CR cs.LG
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
Eradicating the Unseen: Detecting, Exploiting, and Remediating a Path Traversal Vulnerability across GitHub
本研究开发自动化流水线,在 GitHub 上检测并利用路径遍历漏洞(CWE-22),识别出 1,756 个受影响项目,其中 14% 已修复,并探讨了根本原因及对 LLM 的污染,强调自动化漏洞管理的重要性。
2025-05-26 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
Original Sin of npm: A Study on Vulnerability Propagation in JavaScript Dependency Networks
Data61, CSIRO(CSIRO数据六部);RMIT University(皇家墨尔本理工大学);Macquarie University(麦考瑞大学);Sungkyunkwan University(成均馆大学)
本文研究了少量脆弱JavaScript包如何导致大量脆弱包的产生,揭示了依赖网络中漏洞传播的特性及修复时间,提出开发人员和包管理者的缓解建议。
2026-04-19 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
No-Box Vulnerability Analysis: Description-only Detection of Indirect Prompt Injection Vulnerabilities in MCP Servers
Arizona State University(亚利桑那州立大学)
提出无盒漏洞分析新范式,仅凭功能元数据即可检测MCP服务器间接提示注入漏洞,原型MCPSEC在177个工具上实现98.9%召回率,验证了该方法的实用性。
2026-09-18 cs.AI 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
Data Quality Issues in Vulnerability Detection Datasets
Luxembourg Institute of Science and Technology(卢森堡科学与技术研究院)
该研究针对深度学习漏洞检测模型依赖的数据集质量问题,定义了3类关键和3类次要数据问题,通过14篇论文54个数据集验证问题存在,并给出数据集使用与构建的良好实践。
2024-10-08 cs.AI cs.CR
Assessing Vulnerability in Smart Contracts: The Role of Code Complexity Metrics in Security Analysis
Università della Svizzera italiana(瑞士意大利语大学)
本研究探讨了代码复杂度度量在识别智能合约安全漏洞中的作用,发现复杂度度量能有效区分安全与脆弱代码,但单一指标不足以直接导致漏洞。
2026-01-23 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
Antares: Foundation Models for Agentic Vulnerability Localization
Foundation AI–Cisco Systems Inc.(Foundation AI–思科公司);Yale University(耶鲁大学)
该研究提出基于IBM Granite的Antares系列紧凑语言模型,经两阶段训练用于智能体漏洞定位,其30亿参数版本性能接近GPT-5.5且远超更大模型,推理高效低成本。
2026-08-04 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