VulnGym: Benchmarking Coding Agents for Repository-Level Vulnerability Detection
Tencent Wukong（腾讯悟空）；The Chinese University of Hong Kong（香港中文大学）；Fudan University（复旦大学）；The University of Hong Kong（香港大学）；Peking University（北京大学）
研究人员提出VulnGym基准，解决现有基准难以评估代码智能体仓库级漏洞检测能力的问题，发现当前代码智能体在该检测及支撑追踪构建上仍存在局限。
2026-08-04 cs.SE
Smart-LLaMA-DPO: Reinforced Large Language Model for Explainable Smart Contract Vulnerability Detection
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Sinosoft Company Limited（软通公司）
针对智能合约漏洞检测中数据集覆盖不足和LLM解释不准的问题，提出基于LLaMA-3.1-8B的Smart-LLaMA-DPO，结合CPT、SFT和DPO，在F1和准确率上分别提升10.43%和7.87%，生成更准确的解释。
2025-06-23 cs.AI cs.CR cs.SE
Explainable Vulnerability Detection in C/C++ Using Edge-Aware Graph Attention Networks
School of Computing, Ulster University, United Kingdom（计算学院，乌斯特大学，英国）
提出 ExplainVulD 图神经网络框架，利用 Code Property Graph、双通道嵌入与边感知注意力检测 C/C++ 漏洞，并通过类别加权损失缓解不平衡，在 ReVeal 上显著提升性能且提供代码级解释。
2025-07-22 cs.AI cs.CR cs.SE
WANA: Symbolic Execution of Wasm Bytecode for Cross-Platform Smart Contract Vulnerability Detection
许多流行的区块链平台都支持智能合约来构建分散的应用程序。然而，智能合约中的漏洞给最终用户带来了严重的经济损失。对于EOSIO区块链平台，有效的漏洞检测器仍然有限。此外，现有的漏洞检测工具只能支持一个区块链平台。在这项工作中，我们提出了WANA，一个基于WebAssembly字节码符号执行的跨平台智能合约漏洞检测工具。此外，WANA提出了一组测试预言机，以检测基于WebAssembly字节码分析的EOSIO和以太坊智能合约中的漏洞。我们的实验分析表明，WANA可以高效地检测EOSIO和以太坊智能合约中的漏洞。
2020-08-05 cs.SE
A Preliminary Study of Large Language Models for Multilingual Vulnerability Detection
本文评估 PLM 与先进 LLM 在七种编程语言上的漏洞检测能力，发现 CodeT5P 表现最佳，并为跨语言检测研究与部署提供启示。
2025-05-12 cs.SE
Context-Enhanced Vulnerability Detection Based on Large Language Model
本文提出一种结合程序分析与大语言模型的上下文增强漏洞检测方法，通过多级抽象提取上下文信息，平衡细节与复杂度，实验表明该方法显著提升检测效果。
2025-04-23 cs.SE
Large Language Model for Vulnerability Detection and Repair: Literature Review and the Road Ahead
本文针对当前缺乏大语言模型用于漏洞检测与修复相关综述的空白，对58篇相关文献开展系统梳理，总结所用模型、分类两类任务的适配技术，指出现有研究局限并提出未来研究方向。
2024-10-07 cs.SE
Evaluating Large Language Models for Multilingual Vulnerability Detection at Dual Granularities
Tianjin University（天津大学）；Kyushu University（九州大学）；The University of Melbourne（墨尔本大学）；Monash University（蒙纳士大学）
本研究评估了大型语言模型在多语言漏洞检测中的性能，发现GPT-4o在函数级和行级检测中表现优异，优于其他模型。
2026-03-10 cs.SE
Boosting Vulnerability Detection with Inter-function Multilateral Association Insights
针对现有深度学习漏洞检测忽略函数间多边关联的问题，提出IFMA-VD框架，通过构建代码行为超图并利用超边卷积提取多边关联特征，有效提升了漏洞检测的F-measure和Recall。
2025-06-26 cs.SE
One-for-All Does Not Work! Enhancing Vulnerability Detection by Mixture-of-Experts (MoE)
针对“一刀切”漏洞检测模型性能欠佳的问题，提出采用混合专家（MoE）框架的MoEVD方法，将任务分解为CWE类型分类和特定检测，显著提升F1分数及长尾漏洞检测性能。
2025-02-12 cs.SE
A Survey on Automated Software Vulnerability Detection Using Machine Learning and Deep Learning
针对现有ML/DL漏洞检测综述缺失的问题，本文通过五个研究问题系统综述了基于机器学习和深度学习的源代码漏洞检测方法，涵盖趋势、数据集、模型、漏洞类型及未来挑战。
2023-06-20 cs.SE
Ensembling Large Language Models for Code Vulnerability Detection: An Empirical Evaluation
Shandong Normal University（山东师范大学）；College of AI, Tsinghua University（清华大学人工智能学院）；Huazhong University of Science and Technology（华中科技大学）；National Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室）；Chongqing University（重庆大学）；Peking University（北京大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
本研究探索集成学习提升大型语言模型代码漏洞检测性能，评估了五种LLM在三大数据集上的三种策略，并提出动态门控堆叠（DGS）变体，实验证明集成方法显著提升检测效果，DGS在类别不平衡和多分类任务中表现更优。
2025-09-18 cs.SE
Optimizing Code Embeddings and ML Classifiers for Python Source Code Vulnerability Detection
本研究针对Python源代码漏洞检测，评估了Word2Vec、CodeBERT和GraphCodeBERT三种代码嵌入与BiLSTM、CNN两种分类器的组合，发现Word2Vec与BiLSTM组合表现最优，强调了嵌入与分类器合理搭配对提升检测有效性的关键作用。
2025-09-16 cs.SE
Large Language Model for Vulnerability Detection: Emerging Results and Future Directions
本文探究大语言模型在软件漏洞检测中的效果，通过测试GPT-3.5和GPT-4在不同提示下的表现，发现GPT-3.5性能与现有最优方法相当，GPT-4更优，填补了相关研究空白。
2024-01-27 cs.SE
Learning to Focus: Context Extraction for Efficient Code Vulnerability Detection with Language Models
提出FocusVul框架，通过分层语义建模学习commit标注模式并提取依赖与执行流上下文，提升语言模型漏洞检测性能并降低计算开销。
2025-07-14 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
Code Change Intention, Development Artifact and History Vulnerability: Putting Them Together for Vulnerability Fix Detection by LLM
针对现有漏洞修复检测方法忽略开发制品上下文及缺乏解释的问题，提出LLM4VFD框架，结合代码变更意图、开发制品与历史漏洞上下文，利用LLM与思维链推理提升检测准确率，并提供可解释分析，较现有方法提升68.1%-145.4%。
2025-01-24 cs.SE
VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection
VulAgent是一个基于假设验证的多智能体漏洞检测框架，通过多视角检测流水线精确定位敏感代码并构建触发路径引导LLM验证，显著提升了漏洞检测准确率并大幅降低误报。
2025-09-15 cs.SE
Keep It Simple: Towards Accurate Vulnerability Detection for Large Code Graphs
针对现有基于图神经网络的代码漏洞检测方法难适配大型代码图的问题，提出ANGLE方法，通过层次化图精炼降噪缩图、结合Graph Transformer与GNN捕捉长距离依赖，在基准数据集尤其大型代码图上准确率显著优于现有最优方法。
2024-12-13 cs.SE
UntrustVul: An Automated Approach for Identifying Untrustworthy Alerts in Vulnerability Detection Models
本文提出UntrustVul方法，通过识别与漏洞无关的代码行来自动检测不可信的漏洞预测，实验表明其在AUC和F1-score上优于现有方法。
2026-05-15 cs.SE
GRAML: Graph-Grounded Reasoning and Multi-Task Learning for LLM-Based Software Vulnerability Detection
Qingdao University of Technology（青岛理工大学）；Ocean University of China（中国海洋大学）
GRAML框架通过图证据引导GPT-5进行思维树推理并生成漏洞描述，结合多任务训练，在漏洞检测上平均F1达66.67%-68.70%，优于现有基线最多30.92%。
2026-10-08 cs.SE
Are We Learning the Right Features? A Framework for Evaluating DL-Based Software Vulnerability Detection Solutions
University of Southern California（南加州大学）
本文提出了一种评估基于深度学习的软件漏洞检测解决方案的框架，通过设计特征保持和消除扰动来衡量虚假和漏洞特征对预测的影响。
2025-05-23 cs.SE
An empirical analysis of vulnerability detection tools for solidity smart contracts
本文通过实证评估分析了针对Solidity智能合约的自动化漏洞分析工具，利用SmartBugs 2.0框架和手动标注的2182个实例数据集，评估了不同工具在检测各类漏洞上的有效性，并展示了结合多种检测方法能提高漏洞识别的准确性。
2026-05-18 cs.SE
Deep Learning based Vulnerability Detection: Are We There Yet?
软件漏洞的自动检测是软件安全中的一个基本问题。现有的程序分析技术遭受高的假阳性或假阴性。深度学习（DL）的最新进展导致人们对将DL应用于自动漏洞检测的兴趣激增。最近的几项研究表明，在检测漏洞方面，准确率高达95%。在本文中，我们问，“如何以及国家的最先进的DL为基础的技术在现实世界中的脆弱性预测的情况下执行？".令我们惊讶的是，我们发现他们的表现下降了50%以上。对导致这种急剧性能下降的原因的系统调查揭示了现有的基于DL的脆弱性预测方法受到训练数据的挑战（例如，数据重复，脆弱类别的分布不切实际等）并且利用模型选择（例如，简单的基于令牌的模型）。因此，这些方法通常不会学习与漏洞的实际原因相关的特征。相反，它们从数据集中学习不相关的工件（例如，具体的变量/函数名称等）。利用这些实证研究结果，我们展示了一个更有原则的方法，数据汇集和模型设计，基于现实的设置脆弱性预测，可以导致更好的解决方案。由此产生的工具的性能显着优于研究的基线：与文献中表现最好的模型相比，准确率提高了33.57%，召回率提高了128.38%。总体而言，本文阐述了现有的基于DL的漏洞预测系统的潜在问题，并绘制了未来的基于DL的漏洞预测研究的路线图。本着这种精神，我们提供了所有支持我们结果的工件：https://git.io/Jf6IA。
2020-09-03 cs.SE
Code Vulnerability Detection: A Comparative Analysis of Emerging Large Language Models
针对软件开发依赖开源项目引发的漏洞问题，本文对比了Llama、CodeGemma等新兴LLM与BERT、GPT-3等现有模型的代码漏洞检测性能，发现CodeGemma的F1分数和召回率在新兴模型中最高，为提升软件安全实践提供参考。
2024-09-16 cs.SE
Vulnerability Detection with Graph Simplification and Enhanced Graph Representation Learning
先前的研究已经证明了深度学习（DL）在自动化软件漏洞检测中的有效性。图神经网络（GNN）已被证明在学习源代码的图表示方面是有效的，并且通常被现有的基于DL的漏洞检测方法所采用。然而，现有的方法仍然受到GNN本质上难以处理代码结构图中长距离节点之间的连接的事实的限制。此外，它们没有很好地利用代码结构图中的多种类型的边（例如表示数据流和控制流的边）。因此，尽管实现了最先进的性能，但现有的基于GNN的方法往往无法捕获全局信息（即，节点之间的长距离依赖性）。为了缓解这些问题，在本文中，我们提出了一种新的漏洞检测框架与grAph简化和增强的图表示学习，命名为AMPLE。AMPLE主要包括两个部分：1）图简化，旨在通过缩小代码结构图的节点大小来减少节点之间的距离; 2）增强图表示学习，包括一个边缘感知的图卷积网络模块，用于将异构边缘信息融合到节点表示中，以及一个内核缩放的表示模块，用于很好地捕获遥远的图节点之间的关系。在三个公共基准数据集上的实验表明，在准确率和F1得分指标方面，AMPLE分别优于最先进的方法0.39%-35.32%和7.64%-199.81%。实验结果表明，AMPLE在学习代码图的全局信息进行漏洞检测方面是有效的。
2023-02-09 cs.SE
FusionVul: A Multimodal Feature Fusion Framework for Source Code Vulnerability Detection
Civil Aviation University of China（中国民航大学）；University of Aizu（会津大学）；University of Wollongong（伍伦贡大学）
提出FusionVul框架，融合Transformer和GNN分别提取序列语法与结构语义，通过交叉注意力融合网络和样本感知加权机制，在SVulD等数据集上取得更优F1分数，有效捕获复杂多样的漏洞模式。
2026-06-07 cs.SE
Toward Scalable Automated Repository-Level Datasets for Software Vulnerability Detection
本文提出自动化生成仓库级数据集的方法，通过注入真实漏洞并合成可复现的漏洞证明，提升漏洞检测模型的训练与评估效果，同时研究注入与检测代理的对抗共进化循环以增强鲁棒性。
2026-03-18 cs.AI 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
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
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
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
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
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
Machine Learning Techniques for Python Source Code Vulnerability Detection
University of Passau（帕绍大学）
本研究针对Python源代码漏洞检测问题，对比应用多种机器学习算法，最终提出的BiLSTM模型取得优异性能，建立了该领域的新基准。
2024-04-15 cs.AI 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
VuLASTE: Long Sequence Model with Abstract Syntax Tree Embedding for vulnerability Detection
在本文中，我们建立了一个名为VuLASTE模型，它把漏洞检测作为一个特殊的文本分类任务。为了解决词汇爆炸问题，VuLASTE使用了来自自然语言处理的字节级BPE算法。在VuLASTE中，添加了一个新的AST路径嵌入来表示源代码嵌套信息。我们还使用Longformer的全局和扩张窗口注意力的组合从源代码中提取长序列语义。为了解决漏洞检测数据集中普遍存在的数据不平衡问题，采用焦点损失作为损失函数，使模型在训练时集中于分类不好的案例。为了测试我们的模型在真实源代码上的性能，我们从Github安全咨询数据库中构建了一个跨语言和多存储库的漏洞数据集。在这个数据集上，VuLASTE获得了29，51，86，228的前50，前100，前200，前500的点击率，高于最先进的研究。
2023-02-05 cs.AI cs.SE
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
Vul-RAG: Enhancing LLM-based Vulnerability Detection via Knowledge-level RAG
Fudan University（复旦大学）；Alibaba Group（阿里巴巴集团）；Sun Yat-sen University（中山大学）
针对大语言模型在区分漏洞代码与相似已修复良性代码时准确率低、难捕捉漏洞根因的问题，提出知识级检索增强生成框架Vul-RAG，利用历史漏洞提炼的多维度知识增强模型，显著提升检测准确率，还可辅助人工检测并发现未知漏洞。
2025-06-17 cs.AI 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
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
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
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
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
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
