Automated Vulnerability Detection Using Deep Learning Technique
National Taiwan University（国立台湾大学）；National Yang Ming Chiao Tung University（阳明交通大学）
本文提出结合 CodeBERT 向量表示与 LSTM 的深度学习方法，用于自动检测 Python 代码中的 SQL 注入漏洞，性能优于现有 SAST 工具。
2024-10-29 cs.AI cs.CR cs.SE
Vulnerability analysis of captcha using Deep learning
Vellore Institute of Technology（韦洛尔理工大学）；Australian National University（澳大利亚国立大学）
本文研究 CAPTCHA 生成系统的漏洞，提出了一种名为 CapNet 的卷积神经网络，用于评估数字和字母数字混合的文本验证码，旨在帮助设计更具弹性的 CAPTCHA。
2024-03-20 cs.AI cs.CR cs.CV
Frequency-Based Vulnerability Analysis of Deep Learning Models against Image Corruptions
Ecole Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
针对现有图像损坏数据集覆盖不全的问题，提出MUFIA算法识别致模型失效的频率分量组合，发现SOTA鲁棒模型也难抵御其生成的低可见度损坏，凸显需更全面方法增强模型抗损坏鲁棒性。
2023-06-12 cs.AI cs.CR cs.CV
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
VMCDL: Vulnerability Mining Based on Cascaded Deep Learning Under Source Control Flow
随着计算机产业和计算机软件的快速发展，软件漏洞被利用的风险大大增加。然而，现有的泄漏源挖掘技术仍存在误报率高、检测粒度粗、依赖专家经验等不足。本文主要利用SARD数据集的c/c++源代码数据，处理CWE 476、CWE 469、CWE 516和CWE 570漏洞类型的源代码，测试前沿工具Joern漏洞扫描功能，提出一种新的基于源代码控制流的级联深度学习模型VMCDL，有效检测漏洞。首先，本文利用joern定位和提取敏感函数和语句，形成易受攻击代码的敏感语句库。然后，通过双向广度优先遍历生成CFG流漏洞代码片段，并利用Doc 2 vec进行向量化。最后，采用基于源代码控制流的级联深度学习模型进行分类，得到分类结果。在实验评测中，我们给出了Joern在具体漏洞上的测试结果，给出了模型算法在单一漏洞类型源代码上的二进制分类结果的混淆矩阵和标签数据，并对FPR、FNR、ACC、P、F1五项指标进行了对比验证，分别达到10.30%、5.20%、92.50%，85.10%和85.40%，表明它能有效降低静态分析的虚警率。
2023-03-24 cs.AI
Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation
IBM Research（IBM研究院）
识别易受攻击的代码是应对软件安全漏洞的预防措施。构建静态分析器已经花费了专家们冗长的精力，但是不安全的模式几乎没有被完全列举出来。本文探索了一种深度学习的方法，从代码语料库中自动学习不安全的模式。由于代码自然承认图结构与解析，我们开发了一种新的图神经网络（GNN），利用语义上下文和结构规律的程序，以提高预测性能。与通用GNN相比，我们的增强功能包括从程序的几个解析图中学习到的多个表示的合成，以及利用标记的细粒度的新训练损失度量。我们的模型在两个真实世界的数据集上优于多种基于文本、图像和图形的方法。
2021-09-07 cs.AI 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
SySeVR: A Framework for Using Deep Learning to Detect Software Vulnerabilities
Huazhong University of Science and Technology（华中科技大学）；Hebei University（河北大学）；University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
检测软件漏洞（或简称漏洞）是一个尚待解决的重要问题，正如每天报告的许多漏洞所表明的那样。这就需要机器学习方法来检测漏洞。深度学习在这方面很有吸引力，因为它消除了手动定义特征的要求。尽管深度学习在其他应用领域取得了巨大的成功，但其对漏洞检测的适用性尚未得到系统的理解。为了填补这一空白，我们提出了第一个使用深度学习来检测具有源代码的C/C++程序中的漏洞的系统框架。该框架被称为基于语法，基于语义和矢量表示（SySeVR），专注于获得可以容纳与漏洞相关的语法和语义信息的程序表示。我们的实验与4个软件产品证明了该框架的实用性：我们检测到15个漏洞，没有在国家漏洞数据库中报告。在这15个漏洞中，有7个是未知的，并已报告给供应商，其他8个已被供应商在发布相关软件产品的新版本时“悄悄”修补。
2021-01-12 cs.AI cs.CR cs.LG
Automated Vulnerability Detection in Source Code Using Deep Representation Learning
Computer Science University of Cyprus（计算机科学 希腊塞浦路斯大学）
本文提出利用深度学习模型自动检测C语言源代码中的漏洞，通过优化方法在高精度下提升召回率，并在复杂代码中发现真实漏洞。
2026-02-26 cs.AI cs.CR
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
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
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
Deep Learning-based Binary Analysis for Vulnerability Detection in x86-64 Machine Code
Department of Computer Science and Mathematics（计算机科学与数学系）；Algoma University（阿尔戈马大学）
本文提出利用深度学习模型直接分析x86-64机器代码以检测漏洞，发现基于图的模型在漏洞检测中表现更优。
2026-01-14 cs.CR cs.LG
DCDetector: An IoT terminal vulnerability mining system based on distributed deep ensemble learning under source code representation
物联网系统基础设施平台设施漏洞攻击已成为网络安全攻击的主战场。传统的漏洞挖掘方法大多依赖于漏洞检测工具来实现漏洞发现。但由于工具的可扩展性和文件大小的限制，其可扩展性相对较低，无法应用于大规模的电力大数据领域。目的：智能检测C/C++等高级语言源代码中的漏洞。这使我们能够提出一种与敏感的源代码片段相关的代码表示，并通过设计分布式深度集成学习模型来检测漏洞。方法：针对大规模数据脆弱性挖掘问题，提出了一种新的并行集成学习定向脆弱性挖掘方法。通过提取敏感函数和敏感语句，形成了易受攻击代码的敏感语句库。粒度更高的AST流式漏洞代码切片通过随机采样模块对源代码进行doc 2 vec语句向量化，通过Bi-LSTM训练器分布式训练得到不同的分类结果，并通过投票得到最终分类结果。结果：该方法设计并实现了分布式深度集成学习系统软件漏洞挖掘系统DCDetector。它可以利用代码的语法信息做出准确的预测，是分析大规模漏洞数据的有效方法。结论：实验表明，该方法可以降低传统静态分析的误报率，提高机器学习的性能和准确率。
2022-12-03 cs.AI cs.CR
Deep VULMAN: A Deep Reinforcement Learning-Enabled Cyber Vulnerability Management Framework
University of South Florida（南佛罗里达大学）；United States Military Academy, West Point（西点军校）
网络漏洞管理是网络安全运营中心（CSOC）的一项重要功能，可帮助保护组织免受对其计算机和网络系统的网络攻击。对手对CSOC拥有不对称的优势，因为与安全团队在资源受限的环境中缓解它们的扩展速度相比，这些系统中的缺陷数量以显著更高的速度增加。目前的方法是确定性的一次性决策方法，在确定和选择缓解脆弱性时不考虑未来的不确定性。这些办法还受到资源分配不理想的限制，无法灵活地调整对脆弱性抵达者的波动作出的反应。我们提出了一个新的框架，深VULMAN，由一个深度强化学习代理和整数规划方法，以填补这一空白的网络漏洞管理过程。我们的顺序决策框架，首先，确定了接近最优的资源分配的缓解下的不确定性为一个给定的系统状态，然后确定最优的一组优先级的脆弱性实例缓解。我们提出的框架优于目前的方法，在优先选择重要的组织特定的漏洞，模拟和现实世界的漏洞数据，观察了一年的时间。
2022-10-24 cs.AI cs.CR cs.NE
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
DeepCVA: Automated Commit-level Vulnerability Assessment with Deep Multi-task Learning
CREST - The Centre for Research on Engineering Software Technologies, The University of Adelaide（CREST - 工程软件技术研究中心，阿德莱德大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
越来越多的人建议识别代码提交中的软件漏洞（SV），以提前警告潜在的安全风险。然而，在检测到对安全性有贡献的提交后，缺乏对它们进行评估的努力，以及时提供有关SV的可利用性、影响和严重性的信息。这些信息对于规划和优先考虑已识别SV的缓解措施非常重要。我们提出了一种新的深度多任务学习模型DeepCVA，基于通用漏洞评分系统（CVSS）指标同时自动执行七个提交级漏洞评估任务。我们对246个真实软件项目中包含542个不同SV的1，229个可扩展性贡献提交进行了大规模实验，以评估我们模型的有效性和效率。我们发现DeepCVA是性能最好的模型，马修斯相关系数比许多监督和无监督基线模型高出38%至59.8%。DeepCVA所需的训练和验证时间比七个累积评估模型少6.3倍，从而大大降低了模型维护成本。总的来说，DeepCVA提供了第一个有效和高效的解决方案，可以在软件系统的早期自动评估SV。
2021-08-18 cs.CR cs.LG cs.SE
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
Smart-LLaMA: Two-Stage Post-Training of Large Language Models for Smart Contract Vulnerability Detection and Explanation
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对智能合约漏洞检测中数据集质量差、LLM领域适应性弱和缺乏解释的问题，提出Smart-LLaMA，通过两阶段后训练实现检测与解释，F1提升6.49%。
2024-11-09 cs.AI cs.CR cs.SE
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
ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep Neural Network and Transfer Learning
University of Würzburg（维尔茨堡大学）；University of California, San-Diego（加利福尼亚大学圣地亚哥分校）；Technical University of Darmstadt（达姆施塔特工业大学）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）
以太坊智能合约是区块链上的自动化去中心化应用程序，描述了买卖双方之间的协议条款，减少了对可信中介和仲裁的需求。然而，智能合约的部署为加密货币系统引入了新的攻击向量。特别是，智能合约中的编程缺陷可以并且已经被利用来获得巨大的经济利润。因此，以有效的方式检测合同中不同类别的漏洞是一个新出现的关键问题。现有的基于机器学习的漏洞检测方法是有限的，并且仅检查智能合约是否易受攻击，或者针对每个特定漏洞训练单独的分类器，或者在没有可扩展性考虑的情况下演示多类漏洞检测。为了克服现有工作的可扩展性和通用性限制，我们提出了ESCORT，这是第一个基于深度神经网络（DNN）的以太坊智能合约漏洞检测框架，支持对看不见的安全漏洞进行轻量级迁移学习，因此具有可扩展性和通用性。ESCORT利用多输出NN架构，该架构由两部分组成：（i）学习输入合同语义的公共特征提取器;（ii）多个分支结构，其中每个分支基于从特征提取器获得的特征学习特定的漏洞类型。实验结果表明，ESCORT在六种漏洞类型上的平均F1分数为95%，每个合同的检测时间为0.02秒。当扩展到新的漏洞类型时，ESCORT产生的平均F1分数为93%。据我们所知，ESCORT是第一个能够在DNN模型架构和重新训练开销最小的情况下对新漏洞类型进行迁移学习的框架。
2021-03-23 cs.CR cs.LG
VulBERTa: Simplified Source Code Pre-Training for Vulnerability Detection
Imperial College London（帝国理工学院）；University of Malaya（马来亚大学）
VulBERTa通过自定义分词预训练RoBERTa模型于C/C++代码，学习深层表示，在多个漏洞检测数据集和基准上达到最先进性能，且训练数据和参数成本低。
2022-05-25 cs.AI cs.CR cs.LG
Towards Vulnerability Discovery Using Staged Program Analysis
从低级代码中消除漏洞对于保护软件至关重要。静态分析是一种很有前途的发现漏洞的方法，因为它可以为开发人员提供关于他们编写的代码的早期反馈。但是，它提出了多个挑战，其中最重要的是理解是什么使bug可利用并将此信息传达给开发人员。在本文中，我们介绍了一个实用的脆弱性评估框架Melange的设计和实现。Melange执行数据和控制流分析，以诊断潜在的安全漏洞，并输出格式良好的漏洞报告，帮助开发人员了解和修复安全漏洞。基于真实世界的漏洞会在程序的多个部分中表现出来的直觉，Melange执行本地和全局分析。为了扩展到大型项目，全球分析是由需求驱动的。我们的原型检测C和C++代码中的多个漏洞类，包括类型混淆和垃圾内存读取。我们对Melange进行了广泛的评估。我们的案例研究表明，Melange可以扩展到Chromium等大型代码库，易于使用，最重要的是，能够发现真实代码中的漏洞。我们的研究结果表明，静态分析是一个可行的加强软件测试工具集。
2016-04-06 cs.CR cs.PL
VulCurator: A Vulnerability-Fixing Commit Detector
Singapore Management University（新加坡管理大学）；University of Melbourne（墨尔本大学）
开源软件（OSS）漏洞管理过程是当今重要的，因为随着时间的推移，发现的OSS漏洞的数量正在增加。监控可修复性提交是防止漏洞利用的标准流程的一部分。然而，手动检测修复提交是非常耗时的，因为可能有大量的提交需要审查。最近，已经提出了许多技术来使用机器学习来自动检测可修复性提交。这些解决方案要么：（1）没有使用深度学习，要么（2）只在有限的信息源上使用深度学习。本文提出了VulCurator，这是一种利用深度学习更丰富信息源的工具，包括提交消息、代码更改和问题报告，用于修复提交分类的可扩展性。我们的实验结果表明，VulCurator在F1分数方面优于最先进的基线高达16.1%。VulCurator工具可在https://github.com/ntgiang71096/VFDetector和https：//zenodo.org/record/7034132#.Yw3MN-xBzDI上公开获得，演示视频可在https://youtu.be/uMlFmWSJYOE上获得。
2022-09-07 cs.AI cs.CR cs.SE
Dataflow Analysis-Inspired Deep Learning for Efficient Vulnerability Detection
Iowa State University（爱荷华州立大学）
本文提出受数据流分析启发的图学习框架 DeepDFA，通过模拟数据流计算实现高效漏洞检测，并结合 LLM 在 Big-Vul 上达到新的最优性能。
2023-10-01 cs.CR cs.LG cs.SE
Towards Making Deep Learning-based Vulnerability Detectors Robust
Huazhong University of Science and Technology（华中科技大学）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）；Tsinghua University（清华大学）
自动检测源代码中的软件漏洞是一个备受关注的重要问题。特别是，基于深度学习的漏洞检测器或基于DL的检测器是有吸引力的，因为它们不需要人类专家来定义漏洞的特征或模式。然而，这种检测器的鲁棒性尚不清楚。在本文中，我们开始在这方面的研究表明，基于DL的检测器是不强大的简单的代码转换，在本文中被称为攻击，因为这些转换可能会被用于恶意目的。作为使基于DL的检测器对此类攻击具有鲁棒性的第一步，我们提出了一个创新的框架，称为ZigZag，其中心是（i）解耦特征学习和分类器学习，以及（ii）使用ZigZag风格的策略迭代地改进它们，直到它们收敛到鲁棒的特征和鲁棒的分类器。实验结果表明，ZigZag框架可以大大提高基于DL的检测器的鲁棒性。
2021-08-04 cs.CR cs.LG
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
DeepVulSeeker: A Novel Vulnerability Identification Framework via Code Graph Structure and Pre-training Mechanism
软件漏洞会对计算系统造成严重危害。它们可能导致系统崩溃，隐私泄露，甚至物理损坏。及时、准确地识别出大量软件代码中的漏洞是目前对其进行修补的必要前提。不幸的是，目前的漏洞识别方法，无论是经典的还是基于深度学习的方法，都存在一些严重的缺陷，使它们无法满足当今软件行业提出的需求。为了克服这些缺点，在本文中，我们提出了DeepVulSeeker，一种新型的全自动漏洞识别框架，它利用了代码图结构和语义特征，并借助最近先进的图形表示自注意力和预训练机制。我们的实验表明，DeepVulSeeker不仅在传统的CWE数据集上达到了高达0.99的准确率，而且在两个高度复杂的数据集上也优于所有其他验证方法。我们还基于三个案例研究对DeepVulSeeker进行了验证，发现DeepVulSeeker能够理解能力的含义。我们已经完全实现了DeepVulSeeker，并将其开源以供未来的后续研究。
2022-11-23 cs.CR
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
VulDeeLocator: A Deep Learning-based Fine-grained Vulnerability Detector
自动检测软件漏洞是学术研究界十分关注的重要问题。然而，现有的漏洞检测器仍然不能实现的漏洞检测能力和定位精度，将保证他们的采用为现实世界中使用。在本文中，我们提出了一个漏洞检测器，可以同时实现高检测能力和高定位精度，称为漏洞深度学习为基础的机器学习（VulDeepcraft）。在设计VulDeeTable的过程中，我们遇到的困难包括如何适应类型和宏的定义之间的语义关系以及它们在文件中的使用，如何适应精确的控制流和变量的定义-使用关系，以及如何实现高定位精度。我们通过使用两个创新的想法来解决这些困难：（i）利用中间代码来容纳额外的语义信息，以及（ii）使用粒度细化的概念来确定漏洞的位置。当应用于从三个真实世界的软件产品中随机选择的200个文件时，VulDeetron检测到18个已确认的漏洞（即，真阳性）。其中，16个漏洞对应于已知漏洞;另外两个在国家漏洞数据库（NVD）中没有报告，但在发布新版本时已被Libav的供应商“默默”修补。
2021-05-01 cs.CR
An Empirical Study of Deep Learning Models for Vulnerability Detection
Iowa State University（爱荷华州立大学）
代码的深度学习（DL）模型最近在漏洞检测方面取得了巨大进展。在某些情况下，基于DL的模型优于静态分析工具。虽然已经提出了许多伟大的模型，但我们还没有很好地理解这些模型。这限制了模型鲁棒性的进一步提高，调试和部署的漏洞检测。在本文中，我们在两个广泛使用的漏洞检测数据集Devign和MSR上调查和复制了9个最先进的（SOTA）深度学习模型。我们研究了三个方面的6个研究问题，即模型能力，训练数据和模型解释。我们通过实验证明了模型不同运行之间的变异性以及不同模型输出之间的低一致性。我们研究了针对特定类型的漏洞训练的模型，并与同时针对所有漏洞训练的模型进行了比较。我们探讨了DL可能认为“难以”处理的程序类型。我们研究了训练数据大小和训练数据组成与模型性能的关系。最后，我们研究了模型解释，并分析了模型用于预测的重要特征。我们相信，我们的研究结果可以帮助更好地理解模型的结果，提供指导准备训练数据，并提高模型的鲁棒性。我们所有的数据集、代码和结果都可以在https://doi.org/10.6084/m9.figshare.20791240上找到。
2023-02-12 cs.CR cs.LG 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
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
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
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
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
Veritas: Grounding LLM Agents for Reliable Vulnerability Reasoning over Stripped Binaries
University College London（伦敦大学学院）；BynarIO；Columbia University（哥伦比亚大学）
Veritas通过结合静态切片、双视角LLM检测器和多代理验证器，利用语义基础和运行时证据检测二进制中的内存破坏漏洞，实现了90%的召回率，并在实际应用中发现了一个未知的Apple漏洞。
2026-07-21 cs.CR cs.SE
Large Language Model-Powered Smart Contract Vulnerability Detection: New Perspectives
Georgia Institute of Technology（佐治亚理工学院）
本文提出GPTLens框架，通过将智能合约漏洞检测分为生成与判别两阶段，利用大语言模型的双重角色，在提高漏洞检出率的同时减少误报，显著优于传统方法。
2023-10-16 cs.AI cs.CR
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
The Distributed Open-Source Vulnerability Ecosystem
Munich University of Applied Sciences（慕尼黑应用科学大学）；Findustrial GmbH（Findustrial有限公司）
研究软件供应链安全中漏洞识别问题，提出将漏洞管理视为信息交换与转换分布式过程的概念框架，追踪漏洞信息流程，分析扫描器结果不一致原因，探讨对相关方面的影响。
2026-07-17 cs.CR 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
A Deep Learning-based Penetration Testing Framework for Vulnerability Identification in Internet of Things Environments
近年来，物联网（IoT）范式呈现出巨大的增长，导致了工业4.0和智能环境等创新，这些创新提高了效率，资产管理并促进了智能决策。然而，这些好处被由于固有漏洞而产生的大量网络安全问题所抵消，这些漏洞阻碍了基于物联网的系统的机密性，完整性和可用性。安全漏洞可以通过应用渗透测试来检测，特别是信息收集阶段的一个子集，称为漏洞识别。然而，由于生成的数据的多样性、硬件限制和环境复杂性，现有的渗透测试解决方案无法从物联网环境中发现零日漏洞。因此，开发有效的渗透测试解决方案来检测智能物联网环境中的漏洞势在必行。本文提出了一种基于深度学习的渗透测试框架，即长短期记忆递归神经网络漏洞识别（LSTM-EVI）。我们通过一个新的面向网络安全的测试平台来利用这个框架，这是一个基于智能机场的测试平台，由物理和虚拟元素组成。该框架使用该测试平台和实时数据源进行了评估。我们的研究结果表明，该框架实现了约99%的扫描攻击的检测准确率，优于其他四个对等技术。
2021-09-20 cs.CR
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
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
AVIATOR: Towards AI-Agentic Vulnerability Injection Workflow for High-Fidelity, Large-Scale Code Security Dataset
National Institute of Standards and Technology, Software and Systems Division（美国国家标准与技术研究院软件与系统 division）；Université Grenoble Alpes, CNRS, LIG（格勒诺布尔阿尔卑斯大学，法国国家科学研究中心，LIG实验室）
本文提出AVIATOR，首个AI代理漏洞注入框架，通过协调AI代理、工具分析和迭代自我纠正，生成高保真漏洞数据，提升漏洞检测模型性能。
2026-10-27 cs.AI cs.CR
Propagation Model for SSC attacks: Why SBOM (tools) don't tell the whole truth
University of Liechtenstein（列支敦士登大学）
本文针对SBOM工具无法完整呈现软件供应链攻击传播效应的问题，提出四阶段传播模型，实证发现现有SBOM工具仅支持前两个阶段，成果为SSC安全工具研发提供支撑。
2026-09-07 cs.CR
On Adversarial Vulnerability of PHM algorithms: An Initial Study
GE Research Center（通用电气研究中心）
随着深度学习（DL）应用在不同领域的扩散，DL模型对对抗攻击的脆弱性已经成为计算机视觉（CV）和自然语言处理（NLP）领域中越来越有趣的研究课题。DL也被广泛采用到各种PHM应用中，其中数据主要是时间序列传感器测量。虽然这些先进的DL算法/模型已经导致了PHM算法的性能的改进，但是这些PHM算法对对抗攻击的脆弱性在PHM社区中没有引起太多的关注。在本文中，我们试图探讨PHM算法的脆弱性。更具体地说，我们研究的策略，攻击PHM算法，考虑与时间序列传感器测量数据的几个独特的特点。我们使用两个真实世界的PHM应用程序作为例子来验证我们的攻击策略，并证明PHM算法确实容易受到对抗攻击。
2021-10-14 cs.CR cs.LG
Towards Causal Deep Learning for Vulnerability Detection
Iowa State University（爱荷华州立大学）；Columbia University（哥伦比亚大学）；Microsoft Research（微软研究院）
本文提出CausalVul方法，通过扰动发现虚假特征并结合do演算因果学习，在深度学习漏洞检测中提升模型准确率、鲁棒性与分布外泛化能力。
2024-01-15 cs.CR cs.LG cs.SE
The Vulnerability of the Neural Networks Against Adversarial Examples in Deep Learning Algorithms
随着计算机视觉、网络安全、自然语言处理等领域的深入发展，深度学习技术逐渐暴露出一定的安全隐患。现有的深度学习算法无法有效描述数据的本质特征，使得算法在面对恶意输入时无法给出正确的结果。基于当前深度学习面临的安全威胁，介绍了深度学习中的对抗示例问题，梳理了现有的黑盒和白盒的攻防方法，并进行了分类。简要介绍了近年来一些对抗性实例在不同场景下的应用，比较了对抗性实例的几种防御技术，最后总结了该研究领域存在的问题并对其未来发展进行了展望。本文详细介绍了常见的白盒攻击方法，并进一步比较了黑盒攻击和白盒攻击的异同。相应地，作者还介绍了防御方法，并分析了这些方法对黑盒和白盒攻击的性能。
2020-11-17 cs.CR cs.CV
Publishing Efficient On-device Models Increases Adversarial Vulnerability
Oregon State University（俄勒冈州立大学）；Google Brain（谷歌大脑）
深度神经网络（DNN）的计算需求的最近增加已经引发了对高效深度学习机制的兴趣，例如，量化或修剪。这些机制能够构建具有可比精度的小型高效商业规模模型，加速其部署到资源受限的设备。在本文中，我们研究了发布大规模模型的设备上变体的安全性考虑。我们首先表明，对手可以利用设备上的模型，使攻击大型模型更容易。在对19个DNN的评估中，通过利用已发布的设备上模型作为转移先验，原始商业规模模型的对抗性脆弱性增加了100倍。然后，我们表明，一个完整的规模和其有效的模型之间的相似性增加的脆弱性。基于这些见解，我们提出了一种防御，$similarity$ - $unpairing$，微调设备上的模型，以减少相似性的目标。我们评估了所有19个DNN的防御，发现它将可转移性降低了90%，所需的查询数量减少了10- 100倍。我们的研究结果表明，需要进一步研究发布这些有效的兄弟姐妹所造成的安全（甚至隐私）威胁。
2022-12-28 cs.CR cs.LG
A Comprehensive Study of Exploitable Patterns in Smart Contracts: From Vulnerability to Defense
Hainan University（海南大学）
本文全面分析了以太坊智能合约的关键安全风险，重点研究重入和整数溢出两种漏洞的底层机制、攻击复现及有效防御对策。
2025-04-30 cs.AI cs.CR cs.SE
HyMo: Vulnerability Detection in Smart Contracts using a Novel Multi-Modal Hybrid Model
Urmia University of Technology（乌尔米耶技术大学）
针对智能合约漏洞检测依赖专家规则且复杂合约检测耗时的问题，提出融合多模态输入、FastText 嵌入与 BiGRU 的混合深度学习模型 HyMo，并在 ScrawlD 上验证其检测性能优于现有方法。
2023-04-25 cs.AI cs.CR
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
Variables are a Curse in Software Vulnerability Prediction
Institute of Information Systems (IFIS), University of Lübeck（吕贝克大学信息系统研究所（IFIS））
本文针对变量命名无限多样导致深度学习漏洞预测难以学习程序内在功能的问题，提出名称依赖边、抽象语法图和3属性编码方案，去除具体变量名，显著提升预测性能并大幅降低内存占用。
2024-06-18 cs.AI cs.CR cs.LG
