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
Automated Vulnerability Injection in Smart Contracts Using Large Language Models
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学);Gran Sasso Science Institute (GSSI)(格兰萨索科学研究所);University of Coimbra(科英布拉大学);College of Computing and Informatics, University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校计算与信息学院)
研究针对智能合约漏洞检测数据集稀缺问题,提出用大语言模型自动注入漏洞的方法,生成32个有效漏洞合约,评估了静态分析器并验证了该方法的可行性与局限性。
2026-09-03 cs.AI cs.CR cs.SE
Generalization-Enhanced Code Vulnerability Detection via Multi-Task Instruction Fine-Tuning
School of Cyber Science and Engineering, Huazhong University of Science and Technology(华中科技大学网络空间科学与技术学院);College of Computer, National University of Defense Technology(国防科技大学计算机学院);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)
本文提出VulLLM框架,通过多任务指令微调结合漏洞定位与漏洞解释两个辅助任务,使大语言模型捕捉漏洞根本原因,从而在六个数据集上超越七个最先进模型,提升漏洞检测的有效性、泛化性与鲁棒性。
2024-06-06 cs.AI cs.CL cs.CR
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
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
RAVEN: Retrieval-Augmented Vulnerability Exploration Network for Memory Corruption Analysis in User Code and Binary Programs
University of California, Berkeley(加州大学伯克利分校)
提出RAVEN框架,结合LLM代理与检索增强生成,自动生成遵循Google Project Zero模板的漏洞分析报告,在105个样本上平均质量得分54.21%。
2026-06-05 cs.AI cs.CR cs.MA
CRepair: CVAE-based Automatic Vulnerability Repair Technology
Nanning Normal University(南宁师范大学)
针对现有漏洞修复方法忽略代码多样特征且定位不精确的问题,本文提出基于CVAE的CRepair技术,通过提示预处理、因果推断和多样本融合实现自动修复,实验显示完美修复率达52%。
2024-11-08 cs.AI 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
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
Weakly Supervised Vulnerability Localization via Multiple Instance Learning
The Chinese University of Hong Kong(香港中文大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Sun Yat-sen University (Zhuhai)(中山大学(珠海));Chongqing University(重庆大学)
本文提出弱监督方法 WAVES,基于多示例学习将函数级标签转换为语句级伪标签,无需额外语句级标注即可实现漏洞检测与定位,在三个基准数据集上定位性能达最优。
2025-09-14 cs.AI cs.SE
LIVABLE: Exploring Long-Tailed Classification of Software Vulnerability Types
Harbin Institute of Technology(哈尔滨工业大学);Peng Cheng Laboratory(鹏城实验室);Huazhong University of Science and Technology(华中科技大学);Peking University(北京大学)
针对实际软件漏洞类型分布的长尾特征及现有GNN方法的过平滑、尾部类别检测差问题,提出含漏洞表征学习和自适应重加权模块的LIVABLE方法,提升长尾漏洞类型分类性能。
2023-06-12 cs.AI 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
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
M2CVD: Enhancing Vulnerability Semantic through Multi-Model Collaboration for Code Vulnerability Detection
本文提出M2CVD方法,通过LLMs与代码模型协作增强漏洞语义描述,提升代码漏洞检测准确性,并在真实数据集上显著优于基线。
2024-07-19 cs.SE
Benchmarking Software Vulnerability Detection Techniques: A Survey
软件漏洞可能会造成严重的后果,这就是为什么已经提出了许多技术来防御它们。其中,漏洞检测技术是一个主要的重点领域。然而,缺乏一个全面的方法来衡量这些建议的技术。在本文中,我们提出的第一个调查,全面调查和总结的现状软件漏洞检测基准。我们回顾了目前的文献基准漏洞检测,包括基准方法的技术提出的论文和实证研究。我们还分别讨论了传统和基于深度学习的漏洞检测技术的基准测试方法。我们的调查分析了基准测试软件漏洞检测技术的挑战和所涉及的困难。我们总结了基准测试软件漏洞检测技术的挑战,并描述了解决这些挑战的可能解决方案。
2023-03-29 cs.SE
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
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
VulStamp: Vulnerability Assessment using Large Language Model
本文提出VulStamp框架,结合静态分析与大型语言模型提取漏洞代码意图,并采用基于强化学习的提示调优方法,实现无需人工描述的漏洞严重性评估。
2025-06-25 cs.SE
Evaluation of ChatGPT Model for Vulnerability Detection
OpenAI(开放人工智能公司)
本文评估了ChatGPT和GPT-3在真实世界CWE漏洞数据集上的二分类与多标签漏洞检测性能,发现ChatGPT并不优于虚拟分类器。
2023-04-12 cs.AI cs.CR cs.SE
Prompt-Enhanced Software Vulnerability Detection Using ChatGPT
针对现有ChatGPT漏洞检测研究提示词设计简单的问题,本文通过改进基础提示、引入辅助信息、利用多轮对话记忆优化提示词,在两个数据集上验证了提示增强方法的有效性,并分析了其优缺点。
2024-04-12 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
Early Comparative Evaluation of Transformer Models for Multilingual Software Vulnerability Detection
University of Hertfordshire(赫特福德大学)
本文使用CVEFixes数据集和分层交叉验证,比较BERT、RoBERTa和CodeBERT在HTML、Python、JavaScript和PHP上的漏洞检测性能,发现跨语言性能差异显著,需更语言感知的Transformer策略。
2026-06-09 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
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
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
CommitShield: Tracking Vulnerability Introduction and Fix in Version Control Systems
本文提出 CommitShield,融合静态分析与 LLM 的代码及自然语言理解能力,利用提交描述和补丁上下文检测漏洞引入与修复,并在 CommitVulFix 等数据集上显著提升召回率和 F1 分数。
2025-01-07 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
Constructing a Knowledge Graph from Textual Descriptions of Software Vulnerabilities in the National Vulnerability Database
Simula Research Laboratory(西穆拉研究实验室);University of Oslo(奥斯陆大学);Norwegian Computing Center(挪威计算中心);BI Norwegian Business School(BI挪威商学院)
提出从NVD文本构建漏洞知识图谱的新方法,结合NER、关系抽取与实体预测,修复缺失实体并评估性能。
2023-05-15 cs.AI cs.CL cs.CR
Systematization of Vulnerability Discovery Knowledge: Review Protocol
在这份报告中,我们描述了审查协议,将指导系统的文献综述,在基于指标的漏洞发现。本方案的开发符合Kitchenham和Charters规定的软件工程系统性文献综述指南。
2019-02-08 cs.SE
CVEfixes: Automated Collection of Vulnerabilities and Their Fixes from Open-Source Software
Simula Research Laboratory(西莫拉研究实验室)
对源代码中安全漏洞的自动发现和修复进行数据驱动的研究需要真实易受攻击的代码及其修复的全面数据集。为了帮助这样的研究,我们提出了一种方法来自动收集和策划一个全面的漏洞数据集,从公共的国家漏洞数据库(NVD)中的常见漏洞和暴露(CVE)记录。我们在一个完全自动化的数据集收集工具中实现了我们的方法,并分享了名为CVEfixes的漏洞数据集的初始版本。CVEfixes收集工具自动从NVD获取所有可用的CVE记录,从相关的开源存储库收集易受攻击的代码和相应的修复程序,并将收集到的信息组织到关系数据库中。此外,数据集还包含了诸如程序设计语言等元数据,以及五个抽象级别的详细代码和安全度量。该集合可以很容易地重复,以保持最新的新发现或修补的漏洞。CVE修复的初始版本涵盖了截至2021年6月9日的所有已发布的CVE,涵盖了1754个开源项目的5365条CVE记录,这些项目在总共5495次漏洞修复提交中得到了解决。CVEfixes支持各种类型的数据驱动的软件安全研究,例如漏洞预测,漏洞分类,漏洞严重性预测,分析与安全性相关的代码更改以及自动漏洞修复。
2021-07-19 cs.AI cs.CR cs.LG
VulWeaver: Weaving Broken Semantics for Grounded Vulnerability Detection
Huawei Technologies Co., Ltd.(华为技术有限公司)
VulWeaver通过整合确定性规则与LLM语义推理构建增强依赖图,提取完整漏洞上下文,利用元提示和专家指南提升LLM推理能力,实验显示其在PrimeVul4J数据集上F1得分达0.75,优于现有方法。
2026-09-03 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
Detecting Vulnerability-Inducing Commits via Multi-Stage Reasoning with LLM-Based Agents
State Key Laboratory of Complex & Critical Software Environment (CCSE), Beihang University(复杂与关键软件环境国家重点实验室,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);North China Municipal Engineering Design & Research Institute Co., Ltd.(华北市政工程设计研究有限公司)
研究旨在检测导致漏洞的提交,提出基于大语言模型的多智能体框架VIC - RAGENT,利用多个专业智能体提供互补视角,通过多阶段推理过程完善候选漏洞,实验表明其性能优于基线,为VIC检测提供实用方案。
2026-07-08 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
On the Effectiveness of Function-Level Vulnerability Detectors for Inter-Procedural Vulnerabilities
针对函数级深度学习漏洞检测器难以覆盖跨函数成因的问题,本文构建InterPVD数据集并提出VulTrigger,证实过程间漏洞普遍且现有检测器对其待修补函数的检测效果明显较弱。
2024-01-20 cs.CR 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
SliceLocator: Locating Vulnerable Statements with Graph-based Detectors
针对现有深度学习漏洞检测器无法精确定位漏洞触发语句的问题,本文提出SliceLocator,结合基于图的检测器通过权重最高的污点流路径定位漏洞相关语句,在多种GNN检测器上准确率达约87%,优于现有可解释方法和语句级检测器。
2025-02-23 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
Learning Graph-based Patch Representations for Identifying and Assessing Silent Vulnerability Fixes
针对现有漏洞修复识别忽略代码结构信息的问题,提出基于图的补丁表示框架GRAPE,通过联合图结构与图卷积网络学习结构特征,在三项相关任务上表现优于基线方法。
2024-09-13 cs.SE
Cargo Ecosystem Dependency-Vulnerability Knowledge Graph Construction and Vulnerability Propagation Study
目前,人们对Cargo生态系统的结构和漏洞传播的可能性知之甚少。许多实证研究将第三方依赖治理策略从单个软件生态系统推广到其他生态系统,但忽略了不同软件生态系统技术结构的差异,难以直接将其他生态系统的安全治理策略推广到Cargo生态系统。为了填补这一领域的空白,本文构建了一个知识图谱的依赖漏洞的货物生态系统使用相关的技术,知识图谱,以解决这一挑战。本文是相关研究领域的第一个大规模实证研究,以解决货物生态系统中的脆弱性传播问题。提出了一种依赖-漏洞知识图谱解析算法,确定漏洞传播路径和传播范围,并实证研究了Cargo生态系统中漏洞的特征、传播范围以及导致漏洞传播的因素。我们的研究发现,Cargo生态系统的安全漏洞主要与内存相关。在受漏洞影响的库中,有18%的库在最新版本的库中仍然受到漏洞的影响。受漏洞传播影响的版本数量占整个Cargo生态系统的19.78%。本文探讨了Cargo生态系统中触发漏洞的特征和传播因素。它为Cargo社区的管理员、使用Cargo管理第三方库的开发人员以及库所有者提供了一些实用的解决策略。本文为提高Cargo生态系统的整体安全性提供了新的思路。
2022-10-14 cs.CR cs.PL 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
Multitask-based Evaluation of Open-Source LLM on Software Vulnerability
提出基于公开数据集 Big-Vul 的定量评估流水线,从检测、评估、定位和描述四类任务考察开源 LLM 的软件漏洞处理能力及局限。
2024-07-06 cs.SE
Automated Vulnerability Detection in Source Code Using Deep Representation Learning
Draper(德雷珀实验室);Boston University(波士顿大学)
每年都有越来越多的软件漏洞被发现,无论它们是公开报告的还是在专有代码中内部发现的。这些漏洞可能会造成严重的利用风险,并导致系统受损、信息泄露或拒绝服务。我们利用丰富的C和C++开源代码,使用机器学习开发了一个大规模的函数级漏洞检测系统。为了补充现有的标记漏洞数据集,我们编译了一个包含数百万个开源函数的庞大数据集,并使用三个不同的静态分析器精心挑选的结果进行标记,这些结果表明潜在的漏洞利用。标记的数据集可在https://osf.io/d45bw/上获得。使用这些数据集,我们开发了一个快速和可扩展的漏洞检测工具,基于深度特征表示学习,直接解释lexed源代码。我们评估了我们的工具的代码从两个真正的软件包和NIST SATE IV基准数据集。我们的研究结果表明,源代码的深度特征表示学习是一种很有前途的自动化软件漏洞检测方法。
2018-11-28 cs.AI cs.LG 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
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
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
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
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
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
RAVEN: Agentic RAG for Automated Vulnerability Repair
University of Duisburg-Essen(杜伊斯堡- Essen大学)
提出RAVEN框架,集成智能体RAG管道与可控迭代修复,利用开源LLM实现跨类型、跨语言的自动化漏洞修复,在160个真实CVE上达到83.13%修复成功率。
2026-06-23 cs.CR cs.LG 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
ChatGPT for Vulnerability Detection, Classification, and Repair: How Far Are We?
本研究评估ChatGPT在漏洞预测、分类、严重性评估和修复中的表现,发现其性能有限,需微调以提升泛化能力。
2023-10-15 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
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