Learning from Repair Experience: Self-Evolving Agents for Automated Vulnerability Repair
Nanjing University of Science and Technology（南京理工大学）；Nanjing University（南京大学）；Technical University of Munich（慕尼黑工业大学）
提出EvoRepair框架，通过循环学习-修复过程积累和复用漏洞修复经验，在多个基准上显著提升LLM的自动漏洞修复性能。
2026-10-22 cs.SE
Enhancing Software Vulnerability Detection Using Code Property Graphs and Convolutional Neural Networks
本文提出利用代码属性图与卷积神经网络相结合的方法，实现可扩展且自动化的软件漏洞检测，并构建了函数级漏洞数据集，以提高检测的准确性和粒度。
2025-03-23 cs.LG cs.SE
Collaboration for enhancing the system development process in open source diligence
根据软件行业的不同对手和商业巨头，开源风格的软件开发有足够的能力成功完成大型项目。但是我们在开源环境中的大型项目的协作和处理中看到了许多缺陷和循环。也许合作是项目开发成功的关键。在这篇文章中，我们试图找出不同的可行和可靠的解决方案，以更好的协作方式在开源系统开发。在开源开发阶段发现的一些问题已经被确定，并通过解释成功的社区（如GNU，Apache软件基金会和Eclipse基金会）提出了解决方案。必须牢记的是，为了改善开源环境中的协作，开发社区和人们都应该更具创造性。
2012-02-08 cs.SE
Enhancing Large Language Models with Faster Code Preprocessing for Vulnerability Detection
GECAD, ISEP, Polytechnic of Porto（GECAD、ISEP、波尔图理工学院）
本文提出SCoPE2代码预处理框架，在SCoPE基础上优化处理效率，使处理时间减少97.3%，并提升大语言模型漏洞检测的F1分数。
2025-05-08 cs.LG cs.SE
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
Enhancing Collaboration for Software Engineers through Matching
针对软件工程师缺乏一站式协作连接平台的问题，本研究开发了网页应用NEXAS，通过基于技术档案与兴趣的算法匹配推荐同行，支持项目发现与小组组建，构建专属软件工程师的协作社区。
2025-02-22 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
Enhancing Large Language Models for Secure Code Generation: A Dataset-driven Study on Vulnerability Mitigation
South China University of Technology（华南理工大学）；University of Innsbruck（因斯布鲁克大学）
本文针对LLM生成代码的安全漏洞风险，构建了含180个样本的SecuCoGen数据集，通过代码生成、修复和分类实验评估现有模型，并提出缓解漏洞、增强鲁棒性的方法。
2023-10-25 cs.AI cs.CL cs.CR
Enhancing Security in Third-Party Library Reuse -- Comprehensive Detection of 1-day Vulnerability through Code Patch Analysis
针对第三方库复用引入的1-day漏洞检测难题，本文设计实现工具VULTURE，通过LLM构建数据库、哈希比较依赖及相似性、版本与块级分析，在10个真实项目中从178个复用TPLs识别出175个漏洞，提升复用安全性。
2024-11-29 cs.SE
LLM4Vuln: A Unified Evaluation Framework for Decoupling and Enhancing LLMs' Vulnerability Reasoning
Nanyang Technological University, Singapore（南洋理工大学）；The Hong Kong University of Science（香港科学与技术大学）；MetaTrust Labs（MetaTrust实验室）；Singapore Management University, Singapore（新加坡管理学院）；University of Oregon, Eugene, OR, USA（俄勒冈大学）
本文提出LLM4Vuln框架与UniVul基准，通过3,528个受控场景解耦并评估六款LLM的漏洞推理能力，揭示各类增强手段的影响并发现14个零日漏洞。
2025-06-07 cs.AI cs.CR cs.SE
MulVuln: Enhancing Pre-trained LMs with Shared and Language-Specific Knowledge for Multilingual Vulnerability Detection
Monash University（墨尔本大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61分部）；The University of Melbourne（墨尔本大学）
针对现有软件漏洞检测方法多局限于单语言、难以兼顾代码共享与语言特定知识的问题，提出多语言漏洞检测方法MULVULN，在多语言数据集上较基线方法F1值最高提升23.59%。
2025-10-05 cs.AI cs.CR cs.SE
Enhancing Software Vulnerability Detection Through Adaptive Test Input Generation Using Genetic Algorithm
本研究提出一种结合遗传算子与自适应反馈的测试输入生成方法，通过交叉算子探索和反馈驱动选择，在九个JSON库上显著提升覆盖率，增强漏洞检测能力。
2025-08-08 cs.AI cs.SE
Vulnerability Identification by Harnessing Inter-connected Multi-Source Information
Beihang University（北京航空航天大学）；Hangzhou Innovation Institute of Beihang University（北京航空航天大学杭州创新研究院）
本文提出利用多源信息互联提升漏洞识别与分类效果，通过多头注意力机制提取语义信息，实现更高的F1分数。
2026-04-27 cs.SE
FuzzingBrain V2: A Multi-Agent LLM System for Automated Vulnerability Discovery and Reproduction
Texas A&M University（德克萨斯农工大学）
本文提出FuzzingBrain V2，通过多智能体系统解决LLM在漏洞检测中的三大挑战：自动化分析、精准定位与复杂依赖推理，实现了90%的检测率并发现29个零日漏洞。
2026-05-20 cs.CR cs.SE
Towards Explainable Vulnerability Detection with Large Language Models
针对现有漏洞检测方法缺乏详细解释的问题，提出融合提示标注、LoRA指令微调和CoT关键代码提取的LLMVulExp框架，实现高准确率的漏洞检测与可解释分析，在SeVC数据集上F1超90%。
2025-09-03 cs.SE
Enhancing LLM Code Generation: A Systematic Evaluation of Multi-Agent Collaboration and Runtime Debugging for Improved Accuracy, Reliability, and Latency
本文系统评估了多智能体协作与运行时调试相结合对LLM代码生成的影响，通过19个模型和两个基准数据集验证其在准确性、可靠性和延迟方面的综合效果。
2025-05-04 cs.SE
Combining GPT and Code-Based Similarity Checking for Effective Smart Contract Vulnerability Detection
本文提出智能合约漏洞检测工具 SimilarGPT，结合 GPT 模型与基于代码的相似性检查，利用拓扑排序优化检测序列并建立参考代码库，有效减少了漏报与误报。
2024-12-24 cs.SE
MANTRA: Enhancing Automated Method-Level Refactoring with Contextual RAG and Multi-Agent LLM Collaboration
MANTRA是一个基于LLM智能体的方法级重构框架，结合上下文RAG、多智能体协作和口头强化学习，在703个实例上达到82.8%的成功率，显著优于基线，并被认为与人类代码同等可读可重用。
2025-03-27 cs.SE
MAS-SZZ: Multi-Agentic SZZ Algorithm for Vulnerability-Inducing Commit Identification
Nanjing University of Posts and Telecommunications（南京邮电大学）；Zhejiang University（浙江大学）；DBAPPSecurity Co., Ltd.（北京天融信科技有限公司）
本文提出MAS-SZZ算法，通过多智能体协作识别漏洞引发提交，通过结构化向前提示策略定位漏洞相关代码，提升漏洞检测准确性。
2026-04-27 cs.CR cs.SE
Your Instructions Are Not Always Helpful: Assessing the Efficacy of Instruction Fine-tuning for Software Vulnerability Detection
Singapore Management University（新加坡管理大学）
本文研究指令微调对软件漏洞检测模型跨编程语言泛化能力的影响，通过在真实数据集上的实验评估自然语言指令的作用，并总结关键经验与见解。
2024-01-15 cs.AI cs.SE
Three Heads Are Better Than One: A Multi-perspective Reasoning Framework for Enhanced Vulnerability Detection
National University of Defense Technology（国防科技大学）
本文提出ReasonVul，一种多视角推理框架，通过三个专门的LLM代理的认知协同，提高漏洞检测的准确性和全面性，其在PrimeVul数据集上实现了40.00%的PairAcc和72.52%的F1分数，优于现有基线方法。
2026-05-18 cs.SE
Enhanced Automated Code Vulnerability Repair using Large Language Models
Universidad de Alcalá（阿尔卡拉大学）
本文提出利用 Code Llama 和 Mistral 等大型语言模型及新的代码修改表示格式来增强 C 代码漏洞自动修复，实验表明其准确性优于 VulRepair，并强调了评估指标与数据集完整性的重要性。
2024-10-03 cs.CL cs.SE
SV-TrustEval-C: Evaluating Structure and Semantic Reasoning in Large Language Models for Source Code Vulnerability Analysis
University of Ottawa（渥太华大学）；OpenText（OpenText公司）
针对LLM漏洞分析缺乏结构与语义推理评估的问题，提出SV-TrustEval-C基准，从结构推理和语义推理两维度评测，发现现有模型依赖模式匹配，推理能力不足。
2025-05-27 cs.CL cs.SE
Efficiently Detecting Reentrancy Vulnerabilities in Complex Smart Contracts
针对复杂智能合约中重入漏洞检测效率低、成功率差的问题，提出SliSE工具，结合程序切片与符号执行两阶段验证，F1分数达78.65%，召回率超90%，优于现有工具。
2024-03-17 cs.SE
Enhancing Code Quality with Generative AI: Boosting Developer Warning Compliance
Electrical and Computer Engineering Department（电气与计算机工程系）；United States Naval Academy（美国海军学院）
针对开发者因静态分析警告冗长、困惑且可能误报而忽视修复的问题，提出利用大型语言模型简化警告、说明严重性并建议修复方案，以提升警告修复遵从度和代码质量。
2025-05-16 cs.LG 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
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
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
EnStack: An Ensemble Stacking Framework of Large Language Models for Enhanced Vulnerability Detection in Source Code
North South University（北南大学）；Oakland University（奥克兰大学）；University of Calabria（卡拉布里亚大学）；University of Paris City（巴黎城市大学）
针对现有方法难以应对现代代码库复杂性的问题，本文提出集成堆叠框架EnStack，融合CodeBERT等三个代码理解LLM并通过元分类器整合输出，在Draper VDISC数据集上实验表明其检测性能显著优于现有方法。
2024-11-25 cs.CL cs.SE
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
Enhancing Model Context Protocol (MCP) with Context-Aware Server Collaboration
University of Chicago（芝加哥大学）
本研究提出CA-MCP，通过引入共享上下文存储提升多智能体系统效率，减少LLM调用次数和响应失败频率。
2026-01-22 cs.DC cs.LG cs.SE
Solidity Meets LLMs: A Transformer-Based Approach to Smart Contract Vulnerability Detection
University of Oum El Bouaghi（乌姆布阿格大学）；Laval University（拉瓦尔大学）
本文提出基于 Transformer 的智能合约漏洞检测方法，利用预训练 LLM 微调 BERT 模型，在 Solidity 代码片段上实现 92% 的 F1 分数，有效增强合约安全性。
2026-09-24 cs.CR cs.SE
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
SAEL: Leveraging Large Language Models with Adaptive Mixture-of-Experts for Smart Contract Vulnerability Detection
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）；State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所计算机科学技术国家重点实验室）
针对现有智能合约漏洞检测方法的局限，提出基于大语言模型的SAEL框架，结合自适应混合专家架构融合多类特征，在多种漏洞检测任务上性能优于现有方法。
2025-07-30 cs.AI cs.CR cs.SE
