Software Vulnerability Prediction in Low-Resource Languages: An Empirical Study of CodeBERT and ChatGPT
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）
针对新兴语言软件漏洞数据稀缺问题，本研究实证评估了CodeBERT在Kotlin、Swift和Rust上的预测性能下降现象，发现数据采样无效而ChatGPT能显著提升预测效果。
2024-04-26 cs.CR cs.LG cs.SE
AutoPentest: Enhancing Vulnerability Management With Autonomous LLM Agents
University of Amsterdam（阿姆斯特丹大学）；SURF
本文提出基于 GPT-4o 与 LangChain 的自主黑盒渗透测试应用 AutoPentest，并在三台 HTB 机器上评估，显示其略优于手动使用 ChatGPT-4o，但成本仍较高。
2025-05-15 cs.AI cs.CR
An Empirical Study of Vulnerability Detection using Federated Learning
East China Normal University（华东师范大学）；Singapore Management University（新加坡管理大学）；Nanyang Technological University（南洋理工大学）
本文提出VulFL评估框架，系统研究联邦学习在不同CWE漏洞检测任务及数据异构场景下的性能，证明其优于独立训练并分析配置策略影响，为设计高性能联邦漏洞检测方案提供指导。
2024-11-25 cs.AI cs.CR cs.SE
Literature review on vulnerability detection using NLP technology
Hangzhou University of Electronic Science and Technology（杭州电子科技大学）
漏洞检测一直是软件安全领域最重要的任务。随着技术的发展，面对海量的源代码，自动分析和检测漏洞已成为当前的研究热点。对于源代码这样的特殊文本文件，利用当前最热门的一些自然语言处理技术进行建模，实现对源代码的自动分析和检测，已经成为漏洞检测领域最值得期待的研究之一。本文简要介绍了CodeBERT等一些新的文档和技术，并对以前的技术进行了总结。
2021-04-23 cs.AI cs.CR cs.SE
Evaluating Large Language Models for Line-Level Vulnerability Localization
School of Software, Beihang University（北京航空航天大学软件学院）；Nanyang Technological University（南洋理工大学）；Yale University（耶鲁大学）；Singapore Management University（新加坡管理大学）
本文评估了大型语言模型在行级漏洞定位中的表现，发现判别微调在有充足训练数据时效果显著，而提示方法在低数据环境下更有效，同时提出了改进微调过程的策略。
2025-12-26 cs.CR cs.SE
Vulnerability Detection is Just the Beginning
漏洞检测在安全软件开发中起着关键作用。有许多不同的漏洞检测工具和技术可供选择，但有关使用哪些漏洞检测技术以及何时使用的信息不足。本研究的目的是通过对每种技术的效率和有效性的实证分析，帮助管理者和其他决策者在软件项目中对使用不同的软件漏洞检测技术做出明智的选择。我们将在两个项目中检查用于查找漏洞的漏洞检测技术、发现的漏洞类型、漏洞的可利用性以及修复漏洞所需的工作量之间的关系，我们将确保所有发现的漏洞均已修复。然后，我们将研究如何在更广泛的开源软件中看到这些关系，其中从业者可能会使用不同的漏洞检测技术，或者可能不会修复由于资源限制而发现的所有漏洞。
2021-03-09 cs.CR cs.SE
VULPO: Context-Aware Vulnerability Detection via On-Policy LLM Optimization
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Microsoft（微软）
提出VULPO框架，通过构建包含上下文信息和推理轨迹的数据集ContextVul，结合冷启动监督微调和自适应策略优化，显著提升大语言模型在真实仓库中的漏洞检测能力。
2026-05-26 cs.AI cs.CR cs.SE
When Less is Enough: Positive and Unlabeled Learning Model for Vulnerability Detection
Harbin Institute of Technology（哈尔滨工业大学）；Central University of Finance and Economics（中央财经大学）；Nanyang Technological University（南洋理工大学）；Peng Cheng Laboratory（鹏城实验室）
针对漏洞检测中负标签数据不可靠、标注数据质量不足的问题，提出仅用正样本和无标签数据学习的PILOT模型，通过距离感知标签选择和混合监督表示学习提升检测效果。
2023-08-21 cs.AI cs.CR cs.SE
Enhancing Android Malware Detection: The Influence of ChatGPT on Decision-centric Task
本研究探讨ChatGPT对安卓恶意软件检测这一决策中心任务的影响，通过对比Drebin、XMAL和MaMaDroid三种方法，发现ChatGPT能提供更全面的分析报告，增强可解释性，并获开发者偏好。
2025-02-26 cs.CR cs.SE
Security Vulnerability Patterns in AI-Generated Code: A Cross-Model Comparative Study
The Beacom College of Computer & Cyber Sciences Dakota State University（达科他州立大学比科姆计算机与网络科学学院）
研究基于大语言模型的编码工具生成的自动化脚本安全风险，通过跨模型收集代码并审查漏洞，发现风险与任务类别有关，各模型漏洞情况相似，组织应思考是否不经审查就部署此类自动化代码。
2026-07-24 cs.CR cs.SE
Graph Neural Networks for Vulnerability Detection: A Counterfactual Explanation
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；School of Electrical Engineering, Computing and Mathematical Sciences, Curtin University（科廷大学电气、计算与数学科学学院）；School of Big Data and Software Engineering, Chongqing University（重庆大学大数据与软件学院）；School of Computer Science and Engineering, University of New South Wales（新南威尔士大学计算机科学与工程学院）
针对现有基于事实推理的GNN漏洞检测解释器无法回答假设性问题的不足，提出新型反事实解释器CFExplainer，通过寻找最小代码图扰动定位漏洞根因，实验证明其效果优于现有最先进的事实推理解释器。
2024-07-15 cs.AI cs.CR cs.SE
SmartLLMSentry: A Comprehensive LLM Based Smart Contract Vulnerability Detection Framework
Mohammed V University in Rabat（拉巴特穆罕默德五世大学）
针对传统规则框架难高效整合新规则的问题，提出基于LLM（如ChatGPT上下文训练）的SmartLLMSentry框架，用含5类漏洞的专用数据集训练评估，数据充足时精确匹配准确率达91.1%，提升检测速度与准确率。
2024-11-28 cs.AI cs.CR
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
ChatGPT's Potential in Cryptography Misuse Detection: A Comparative Analysis with Static Analysis Tools
Technische Universität Clausthal（克劳斯塔尔工业大学）；CUBE Global（CUBE全球公司）
本文基于 CryptoAPI-Bench 基准评估 ChatGPT 检测密码学 API 误用的能力，发现其借助提示工程可超越主流静态分析工具，为开发者提供了更易用的误用检测方案。
2024-09-10 cs.AI cs.CR
MAVUL: Multi-Agent Vulnerability Detection via Contextual Reasoning and Interactive Refinement
针对现有漏洞检测方法上下文理解不足、交互受限、评估粗粒度等问题，提出融合上下文推理与交互优化的多智能体系统MAVUL，通过跨角色智能体迭代交互及多维细粒度评估，在成对漏洞数据集上实现性能大幅提升。
2025-09-30 cs.AI cs.CR cs.SE
VulEval: Towards Repository-Level Evaluation of Software Vulnerability Detection
提出仓库级评估系统VulEval，通过函数级检测、依赖预测和仓库级检测三项任务及大规模数据集，填补了过程间漏洞检测评估的空白。
2024-04-24 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
VICBench: A Multi-Language Benchmark for Code Vulnerability Detection
University of Pittsburgh（匹兹堡大学）；Purdue University（普渡大学）；Amazon Web Services（亚马逊网络服务）
本研究构建了多语言代码漏洞检测基准VICBench，包含100个CVE对应的VIC，规模显著大于现有数据集，经评估现有漏洞检测算法性能有限，该基准可用于可靠评估漏洞检测方法。
2026-08-13 cs.AI cs.CL cs.CR
StagedVulBERT: Multi-Granular Vulnerability Detection with a Novel Pre-trained Code Model
针对现有预训练代码漏洞检测方法难以学习细粒度特征、处理长代码序列的问题，本研究提出带CodeBERT-HLS组件的StagedVulBERT框架，采用由粗到细策略实现多粒度检测，在粗细粒度任务上均显著优于现有方法。
2024-10-08 cs.CR cs.SE
Exploring the Limits of ChatGPT in Software Security Applications
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；ASU（亚利桑那州立大学）；Washington University in St. Louis（圣路易斯华盛顿大学）；University of Wisconsin, Madison（威斯康星大学麦迪逊分校）
本文系统评估 ChatGPT 在漏洞检测、反编译、符号执行和模糊测试等七类软件安全任务中的能力，发现 GPT-4 较 GPT-3.5 显著提升，但仍存在长代码上下文处理等局限。
2023-12-08 cs.AI cs.CR
Zero-Shot Vulnerability Detection in Low-Resource Smart Contracts Through Solidity-Only Training
George Mason University（乔治梅森大学）
本文提出Sol2Vy框架，通过Solidity训练模型实现Vyper漏洞检测，无需大量标注数据，实验显示在重入、弱随机性和未检查转账等漏洞上表现优异。
2026-05-11 cs.CR cs.SE
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
LineVD: Statement-level Vulnerability Detection using Graph Neural Networks
当前基于机器学习的软件漏洞检测方法主要是在功能级进行的。但是，这些方法的一个关键限制是，它们没有指出导致漏洞的特定代码行。这限制了开发人员有效检查和解释学习模型预测的能力，这对于将基于机器学习的工具集成到软件开发工作流程中至关重要。基于图的模型在函数级漏洞检测方面表现出了良好的性能，但它们在语句级漏洞检测方面的能力还没有得到广泛的研究。虽然通过可解释的人工智能解释功能级预测是一个有前途的方向，但我们在本文中从完全监督学习的角度考虑语句级软件漏洞检测任务。我们提出了一个新的深度学习框架LineVD，它将语句级漏洞检测制定为节点分类任务。LineVD利用使用图神经网络的语句之间的控制和数据依赖性，以及基于转换器的模型来编码原始源代码令牌。特别是，通过解决函数级和语句级信息之间的冲突输出，LineVD显着提高了预测性能，而没有函数代码的漏洞状态。我们已经对从多个真实世界项目中获得的真实世界C/C++漏洞的大规模集合进行了广泛的实验，并证明F1分数比当前最先进的水平增加了105%。
2022-03-25 cs.CR cs.SE
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
Software Vulnerability Detection Using a Lightweight Graph Neural Network
University of Missouri（密苏里大学）；National Institute of Standards and Technology（美国国家标准与技术研究院）
本文提出VulGNN，一种基于图神经网络的轻量级模型，在漏洞检测中性能接近大语言模型，且更小、更快，适用于边缘部署。
2026-03-31 cs.AI cs.CR cs.LG
Unity is Strength: Enhancing Precision in Reentrancy Vulnerability Detection of Smart Contract Analysis Tools
针对智能合约重入漏洞检测工具误报率高且难以适应新攻击模式的问题，提出名为 ReEP 的工具，通过集成和评估多个现有检测工具来验证漏洞并减少误报，将八种工具的平均精确度从0.5%提升至73%，集成后最高达83.6%。
2024-02-15 cs.CR cs.SE
From Description to Score: Can LLMs Quantify Vulnerabilities?
University of North Carolina Wilmington（北卡罗来纳大学 Wilmington 分校）
本研究探讨了大语言模型在自动化CVSS评分中的潜力，发现其在某些指标上表现优异，但存在分类错误问题，需改进漏洞描述以提升自动化评分的可靠性。
2026-01-05 cs.AI cs.CR cs.PL
Enhancing Pre-Trained Language Models for Vulnerability Detection via Semantic-Preserving Data Augmentation
本文提出一种语义保持的程序变换数据增强方法，通过扩充漏洞数据集微调 CodeBERT、GraphCodeBERT、UnixCoder 和 PDBERT 等预训练模型，显著提升漏洞检测的准确率与 F1，并优于现有增强方法。
2024-10-03 cs.CR cs.SE
Deep Learning Aided Software Vulnerability Detection: A Survey
本综述分析了2017至2024年34项相关研究，首次引入“漏洞检测生命周期”框架，系统比较基于深度学习的软件漏洞检测方法，探讨各阶段关键问题与挑战，为未来该领域的深度学习应用提供指导。
2025-03-06 cs.CR cs.SE
VulCatch: Enhancing Binary Vulnerability Detection through CodeT5 Decompilation and KAN Advanced Feature Extraction
Beijing Institute of Technology（北京理工大学）；Beihang University（北京航空航天大学）；American University of Nigeria（尼日利亚美国大学）
针对现有深度学习二进制漏洞检测依赖源代码、未知漏洞检测能力受限的问题，提出VulCatch框架，结合CodeT5反编译、KAN特征提取及多种深度学习模块，在7个CVE数据集上实现高准确率与低误漏报率。
2024-08-13 cs.AI cs.CR cs.LG
From Generalist to Specialist: Exploring CWE-Specific Vulnerability Detection
本文针对漏洞类型异质性问题，提出并验证为每个CWE训练专用分类器，再以多分类方式构建统一检测系统，性能优于单一二分类器。
2024-08-05 cs.CR cs.SE
AutoVulnPHP: LLM-Powered Two-Stage PHP Vulnerability Detection and Automated Localization
Beijing Electronic Science and Technology Institute（北京电子科技学院）；Nankai University（南开大学）；The 15th Research Institute of China Electronics Technology Group Corporation（中国电子科技集团公司第十五研究所）
AutoVulnPHP通过结合两阶段漏洞检测与细粒度自动定位，利用LLM提升PHP漏洞检测的准确性和定位精度，首次构建大规模PHP漏洞数据集并验证其实际应用效果。
2026-01-07 cs.CR cs.SE
CLEAR: Causal Context-Based Agentic Reasoning for Vulnerability Detection
Hanyang University（汉阳大学）
该研究针对现有漏洞检测方法无法捕捉漏洞复杂因果依赖的问题，提出CLEAR多智能体框架，通过构建VCKG并结合四类智能体协同推理，在C/C++和Java基准上性能显著优于现有最优方法。
2026-10-07 cs.CR 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
Do I really need all this work to find vulnerabilities? An empirical case study comparing vulnerability detection techniques on a Java application
应用漏洞检测技术是使用软件项目有限资源的许多任务之一。目的：本研究的目标是通过实证研究的效率和有效性的四种技术对基于Java的Web应用程序的使用软件漏洞检测技术，以帮助管理人员和其他决策者作出明智的选择。实验方法：我们将四种不同类别的漏洞检测技术\textendash-系统性手动渗透测试（SMPT）、探索性手动渗透测试（EMPT）、动态应用程序安全测试（DAST）和静态应用程序安全测试（SAST）\textendash应用于开源病历系统。结果：我们使用SAST发现了最多的漏洞。然而，EMPT发现了更严重的漏洞。对于每种技术，我们都发现了使用其他技术没有发现的独特漏洞。手动技术（EMPT、SMPT）的效率在每小时漏洞（VpH）方面与自动技术（DAST、SAST）的效率相当或更好。结论：从业者应该选择的漏洞检测技术可能会因项目的目标和可用资源而异。如果组织的目标是找到项目中的“所有”漏洞，那么他们需要在资源允许的范围内使用尽可能多的技术。
2022-08-02 cs.CR cs.SE
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
MVD: Memory-Related Vulnerability Detection Based on Flow-Sensitive Graph Neural Networks
与内存相关的漏洞对现代软件的安全构成了严重威胁。尽管基于深度学习的通用漏洞检测方法取得了成功，但在应用于检测内存相关漏洞时，它们仍然受到流信息利用不足的限制，导致高误报。本文提出了一种基于流敏感图神经网络（FS-GNN）的语句级内存相关漏洞检测方法MVD。采用FS-GNN来联合嵌入非结构化信息（即，源代码）和结构化信息（即，控制流和数据流）来捕获隐式存储器相关的漏洞模式。我们在包含4，353个真实内存相关漏洞的数据集上评估MVD，并将我们的方法与三种最先进的基于深度学习的方法以及五种流行的基于静态分析的内存检测器进行比较。实验结果表明，MVD具有更好的检测精度，优于基于DL和基于静态分析的方法。此外，MVD在准确性和效率之间做出了很大的权衡。
2022-03-05 cs.CR cs.SE
How Far Have We Gone in Vulnerability Detection Using Large Language Models
Tsinghua University（清华大学）；Beijing University of Technology（北京工业大学）
本文提出VulBench基准，评估16个LLM和6个SOTA深度学习模型及静态分析器的漏洞检测性能，发现LLM优于传统方法，展现其提升软件安全的潜力。
2023-12-22 cs.AI cs.CL cs.CR
When Labels Are Scarce: A Systematic Mapping of Label-Efficient Code Vulnerability Detection
Paris Cité university（巴黎西岱大学）；CDC Informatique（CDC信息科学部）
本文系统性地映射了减少对人工标签依赖的代码漏洞检测方法，综合了五种范式家族及其机制，并提出了设计图和约束优先决策指南以指导实际应用。
2026-03-31 cs.CR cs.SE
Security Vulnerability Detection Using Deep Learning Natural Language Processing
Ball State University（鲍尔州立大学）；Illinois State University（伊利诺伊州立大学）
几十年来，在软件被利用之前检测软件中的安全漏洞一直是一个具有挑战性的问题。传统的代码分析方法已经被提出，但通常是无效和低效的。在这项工作中，我们将软件漏洞检测建模为一个自然语言处理（NLP）问题，将源代码视为文本，并使用最近先进的深度学习NLP模型，辅以书面英语的迁移学习，来解决自动化软件venerability检测问题。为了进行培训和测试，我们对NIST NVD/SARD数据库进行了预处理，并使用$C$程序设计语言构建了一个包含123种漏洞的10万多个文件的数据集。大量的实验表明，该算法在安全漏洞检测中的准确率达到了93%以上。
2021-05-06 cs.AI cs.CR
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
DiverseVul: A New Vulnerable Source Code Dataset for Deep Learning Based Vulnerability Detection
University of Maryland（马里兰大学）；UC Berkeley（加州大学伯克利分校）；King Abdulaziz City for Science and Technology（阿卜杜勒阿齐兹国王科技城）；Google Deepmind（谷歌DeepMind）
本文发布包含18,945个漏洞函数和330,492个非漏洞函数的DiverseVul数据集，并通过11种模型实验表明深度学习在漏洞检测上仍面临高假阳性、低F1和泛化困难等挑战，同时指出LLM和源代码特定预训练是更有前景的方向。
2023-08-09 cs.AI cs.CR cs.LG
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
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
A Study of Vulnerability Repair in JavaScript Programs with Large Language Models
Simon Fraser University（西蒙菲莎大学）
本研究探讨了ChatGPT和Bard等大型语言模型在修复JavaScript程序安全漏洞中的准确性，并发现提示中适当的上下文对生成正确补丁至关重要。
2024-03-19 cs.AI cs.CR
LLMs in Software Security: A Survey of Vulnerability Detection Techniques and Insights
Texas A&M University（得克萨斯农工大学）；City University of Hong Kong（香港城市大学）
本文综述 LLMs 在软件漏洞检测中的模型、方法、数据集与指标，分析现有挑战并提出统一框架和未来方向。
2025-02-12 cs.AI cs.CR
AI-Based Software Vulnerability Detection: A Systematic Literature Review
本研究对2018-2023年AI驱动的软件漏洞检测研究做系统性综述，梳理技术分类，指出主流方法与现存局限，提出未来研究方向。
2025-06-12 cs.CR cs.SE
SemVul: Semantic-Enhanced Graph Neural Networks for Code Property Graph-based Vulnerability Detection
Dipartimento di Ingegneria Elettrica e Elettronica, Università di Cagliari（卡利亚里大学电气与电子工程系）；Interuniversity National Consortium for Informatics, CINI（意大利国家信息学大学联盟）
SemVul是一种基于代码属性图的语义增强图神经网络漏洞检测方法，通过结合节点级和边级语义嵌入，提升漏洞检测的准确性和泛化能力。
2026-09-09 cs.CR cs.SE
Security Vulnerability Detection with Multitask Self-Instructed Fine-Tuning of Large Language Models
Carnegie Mellon University（卡内基梅隆大学）；University of Melbourne（墨尔本大学）
本文提出MSIVD方法，通过多任务自指令微调将大语言模型与控制流图神经网络结合进行漏洞检测，在BigVul和PreciseBugs数据集上取得优于LineVul的性能。
2024-06-09 cs.CR cs.LG cs.SE
ETrace:Event-Driven Vulnerability Detection in Smart Contracts via LLM-Based Trace Analysis
针对传统智能合约漏洞检测多依赖源代码的局限，提出无需源码的ETrace框架，通过提取交易日志事件序列、结合LLM思维链推理与模式匹配检测漏洞，初步实验验证了其有效性。
2025-07-30 cs.CR cs.SE
LLMpatronous: Harnessing the Power of LLMs For Vulnerability Detection
针对传统工具误报高和LLM自身局限，本文提出结合RAG与MoA的AI驱动方法，以提升漏洞检测的质量与可靠性。
2025-04-25 cs.AI cs.CR
Similar but Patched Code Considered Harmful -- The Impact of Similar but Patched Code on Recurring Vulnerability Detection and How to Remove Them
Zhejiang University（浙江大学）；Centre for Software Excellence, Huawei（华为软件卓越中心）；Huawei（华为）
本文提出FVF框架，通过分析代码变更历史来识别和过滤相似但已修补的代码，减少漏洞检测中的误报，构建了真实世界SBP数据集并验证了现有深度学习方法的无效性。
2024-12-30 cs.CR cs.SE
Coca: Improving and Explaining Graph Neural Network-Based Vulnerability Detection Systems
针对基于GNN的漏洞检测系统可解释性不足、易产生虚假冗余解释的问题，提出含训练器与解释器的Coca框架，通过组合对比学习增强模型鲁棒性，借助双视图因果推断生成高质量解释，经三类典型检测器验证效果显著。
2024-01-26 cs.CR cs.SE
VulDeePecker: A Deep Learning-Based System for Vulnerability Detection
Huazhong University of Science and Technology（华中科技大学）；Hebei University（河北大学）；Shenzhen Huazhong University of Science and Technology Research Institute（深圳华中科技大学研究院）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
软件漏洞的自动检测是一个重要的研究课题。然而，该问题的现有解决方案依赖于人类专家来定义特征，并且经常错过许多漏洞（即，导致高假阴性率）。在本文中，我们开始研究使用基于深度学习的漏洞检测，以减轻人类专家手动定义特征的繁琐和主观任务。由于深度学习的动机是处理与漏洞检测问题非常不同的问题，因此我们需要一些将深度学习应用于漏洞检测的指导原则。特别是，我们需要找到适合深度学习的软件程序的表示。为此，我们建议使用代码小工具来表示程序，然后将它们转换为向量，其中代码小工具是一些（不一定是连续的）代码行，这些代码行在语义上彼此相关。这导致了一个基于深度学习的漏洞检测系统的设计和实现，称为Vulnerability Deep Pecker（VulDeepPecker）。为了评估VulDeePecker，我们为深度学习方法提供了第一个漏洞数据集。实验结果表明，VulDeePecker可以实现比其他方法少得多的假阴性（具有合理的假阳性）。我们进一步将VulDeePecker应用于3个软件产品（即Xen，Pionkey和Libav），并检测到4个漏洞，这些漏洞在国家漏洞数据库中没有报告，但在发布这些产品的后续版本时被供应商“默默”修补;相比之下，这些漏洞几乎完全被我们实验的其他漏洞检测系统所遗漏。
2018-01-05 cs.AI cs.CR cs.LG
