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
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
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
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
The Race to the Vulnerable: Measuring the Log4j Shell Incident
关键的远程代码执行（RCE）Log4Shell是一个严重的漏洞，于2021年12月10日向公众披露。它利用了广泛使用的Log4j库中的一个bug。任何使用该库并向Internet公开接口的服务都可能存在漏洞。在本文中，我们测量了在披露后的两个月内扫描仪的匆忙。我们使用几个有利位置来观察研究人员和攻击者。为此，我们收集和分析良性和恶意通信方发送的有效载荷，它们的来源和流失。我们发现扫描仪最初的热潮很快就消退了。特别是非恶意扫描程序只对披露后的几天感兴趣。相反，恶意扫描程序继续瞄准漏洞。
2022-06-07 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
Top Score on the Wrong Exam: On Benchmarking in Machine Learning for Vulnerability Detection
MPI-SP Bochum（波恩大学马克斯·普朗克研究所）
本研究揭示机器学习漏洞检测领域主流基准测试存在缺陷：多数函数级分类任务在缺乏调用上下文时无法判定，高分源于虚假相关性，并提出改进基准测试方法以评估真实能力。
2025-04-23 cs.CR cs.LG
Structure-Aware Code Vulnerability Analysis With Graph Neural Networks
该研究基于 Java 漏洞修复提交数据集评估 GNN 检测代码漏洞的能力，发现图元素剪枝、代码表示筛选及加入随机非漏洞样本可显著提升检测性能。
2024-06-18 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
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
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
If LLMs Would Just Look: Simple Line-by-line Checking Improves Vulnerability Localization
针对LLMs在较长代码上下文中漏洞定位准确性不足的问题，提出LOVA框架，利用自注意力机制跟踪代码行注意力权重，显著提升跨语言漏洞定位精度、可扩展性和鲁棒性。
2025-04-18 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
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
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
CVE based classification of vulnerable IoT systems
常见漏洞和暴露数据库（CVE）是软件和硬件漏洞数据和报告的最大公开来源之一。在这项工作中，我们在物联网设备和系统漏洞的背景下分析了CVE数据库。我们介绍了基于现实世界的物联网系统分类。然后，我们采用支持向量机算法的CVE数据库的选定子集分类“新”的漏洞记录在这个框架中。感兴趣的子集由描述不同应用的潜在物联网设备的漏洞的记录组成，例如：家庭，工业，移动控制器，网络等分类的目的是开发和测试用于识别易受攻击的物联网设备的自动系统，并测试CVE数据在这方面的完整性，充分性和可靠性。
2020-06-30 cs.CR
Detecting software vulnerabilities using Language Models
最近，深度学习技术因其准确识别易受攻击的代码模式的能力而获得了大量关注。然而，当前最先进的深度学习模型，如卷积神经网络（CNN）和长短期记忆（LSTM）需要大量的计算资源。这导致一定程度的开销，使得它们的实现不适合在实时设置中部署。这项研究提出了一种新的基于transformer的漏洞检测框架，简称为VulDetect，这是通过微调预训练的大语言模型，（GPT）的各种基准数据集的脆弱代码。我们的实证研究结果表明，我们的框架是能够识别脆弱的软件代码的准确性高达92.65%。我们提出的技术优于SyseVR和VulDeBERT，这两种最先进的漏洞检测技术
2023-02-23 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
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
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
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
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
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
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
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
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
Engineering Trust, Creating Vulnerability: A Socio-Technical Analysis of AI Interface Design
本文通过界面中介认知安全框架分析AI界面设计，揭示跨学科文化形成机制，识别出四个脆弱性向量，并挑战跨学科理论中关于方法论边界、知识分离和整合机制的三个假设。
2025-04-14 cs.CR cs.HC
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
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
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
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
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
VulScribeR: Exploring RAG-based Vulnerability Augmentation with LLMs
University of Manitoba（曼尼托巴大学）；Washington State University（华盛顿州立大学）；University at Buffalo（布法罗大学）
本文提出 VulScribeR，利用大语言模型结合检索增强生成，通过变异、注入和扩展三种策略增强漏洞数据，在多个数据集上显著优于现有方法，并具备低成本大规模增强能力。
2025-08-12 cs.CR cs.LG cs.SE
Smart Contracts Claimed Vulnerable by the CVE Database, with Labels and Source Locations
Institute of Computer Engineering, Informatics, TU Wien（TU Wien 计算机工程与信息学研究所）；Division of Theoretical Computer ScienceKTH Royal Institute of Technology（KTH皇家理工学院理论计算机科学系）；Institute of Logic and Computation, Informatics, TU Wien（TU Wien 逻辑与计算信息学研究所）
本文构建了含491条记录的CVE-Smart-Contracts数据集，针对以太坊智能合约漏洞，经自动化处理及15%人工审核，可支撑代码分析与修复技术评估。
2026-09-02 cs.CR cs.SE
Did You Forkget It? Detecting One-Day Vulnerabilities in Open-source ForksWith Global History Analysis
University of Rennes（雷恩大学）；Inria（法国国家信息与自动化研究所）
本文提出一种全球历史分析方法，用于检测开源fork中的单日漏洞，通过传播漏洞信息和自动化影响分析，发现135个高严重性漏洞。
2026-10-08 cs.CR cs.SE
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
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
Vulnerable Source Code Detection using SonarCloud Code Analysis
本文研究利用SonarCloud代码分析指标为UMI销售点应用构建机器学习漏洞检测器，实验检测到3,285条易受攻击规则，以降低误报并聚焦测试资源。
2023-07-05 cs.CR cs.CY
VulnBump: A Benchmark for Fixing Vulnerable Dependencies in Real Projects While Keeping the Build and Tests Green
Snyk；Brown University（布朗大学）
研究针对智能体编码工具缺乏真实项目漏洞修复升级评估基准的问题，提出VulnBump基准，对比不同智能体的漏洞修复升级表现，发现SCA扫描器和专用工具可提升智能体性能，且需同时验证修复、构建和测试。
2026-10-14 cs.CR cs.SE
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
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
On the Effectiveness of Instruction-Tuning Local LLMs for Identifying Software Vulnerabilities
KAIST Cyber Security Research Center（韩国科学技术院网络安全研究中心）
本文提出通过指令微调本地LLM来提升软件漏洞识别效果，替代依赖API的大型模型，实现更高效、安全的漏洞管理。
2025-12-23 cs.AI cs.CR
ARQ: Agentic CodeQL Query Refinement for C/C++ Vulnerability Detection
Columbia University（哥伦比亚大学）
本文提出ARQ智能框架，利用合成C/C++程序的执行证据和LLM优化CodeQL查询，无需标注数据等，优化后查询的真阳性最多提升119.8%，还修复了长期悬而未决的问题并发现新漏洞。
2026-08-24 cs.AI cs.CR
Evaluating LLaMA 3.2 for Software Vulnerability Detection
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD), School of Engineering of the Polytechnic of Porto（波尔图理工学院工程学院）；INESC TEC/Polytechnic of Porto - School of Engineering（INESC TEC/波尔图理工学院工程学院）
本文针对 DiverseVul 数据集中的不一致问题提出精炼版本，并用其微调 LLaMA 3.2 进行漏洞检测，使 F1-Score 从基线 47% 提升至 66%。
2025-03-10 cs.AI cs.CR cs.LG
