SCOPE: Stochastic and Counterbiased Option Placement for Evaluating Large Language Models
Department of Computer Engineering(计算机工程系);Gachon University(高城大学)
SCOPE通过空提示估计并反置选项位置偏见,均衡幸运率并阻断邻近猜测,提升LLM多项选择评估的公平性与可靠性。
2025-08-04 cs.AI cs.CL
Semantics-Preserving Evasion of LLM Vulnerability Detectors
Northeastern University(东北大学);University of Pennsylvania(宾夕法尼亚大学)
研究发现基于LLM的漏洞检测器在保持语义的逃避攻击下存在系统性失效,提出联合鲁棒性指标以评估检测器的鲁棒性。
2026-01-30 cs.AI cs.CR cs.LG
LLbezpeky: Leveraging Large Language Models for Vulnerability Detection
University of Waterloo(滑铁卢大学)
本文提出LLbezpeky,利用大型语言模型构建AI驱动的工作流程以检测Android应用漏洞,实验表明其在Ghera基准中正确标记不安全应用比例达91.67%,并揭示了配置对TP和FP率的影响。
2024-02-13 cs.AI cs.CR cs.SE
EmoRAG: Evaluating RAG Robustness to Symbolic Perturbations
ZJU Hangzhou China(浙江大学杭州校区);NTU Singapore(南洋理工大学);Hengxin Tech. Singapore(新加坡恒心科技);NUS Singapore(国立新加坡大学);NJU Nanjing China(南京大学);PKU Beijing China(北京大学)
EmoRAG研究揭示RAG系统对细微表情符号扰动的鲁棒性问题,发现单个表情符号可导致检索严重误导,并提出针对性防御措施。
2025-12-01 cs.AI cs.CL cs.CR
LLMs in Software Security: A Survey of Vulnerability Detection Techniques and Insights
Texas A&M University(得克萨斯农工大学);City University of Hong Kong(香港城市大学)
本文综述 LLMs 在软件漏洞检测中的模型、方法、数据集与指标,分析现有挑战并提出统一框架和未来方向。
2025-02-12 cs.AI cs.CR
PACEbench: A Framework for Evaluating Practical AI Cyber-Exploitation Capabilities
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Jiao Tong University(上海交通大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所)
大语言模型(LLMs)的自主性引发了对现实世界网络安全评估需求,当前基准测试缺乏真实世界复杂性缺乏完整覆盖所有信息点,不得过度概括,不得跳过关键方法细节与{
2025-10-13 cs.AI cs.CR
SafeGenBench: A Benchmark Framework for Security Vulnerability Detection in LLM-Generated Code
ByteDance(字节跳动)
SafeGenBench是一个专门评估大语言模型生成代码安全性的基准框架,通过SAST和LLM评判自动检测漏洞,揭示现有模型在生成无漏洞代码方面的显著不足。
2025-06-20 cs.AI cs.CR
Evaluating Whether GPT-6 Astra Performs Unsanctioned Supply-Chain Attacks
UK AI Security Institute(英国人工智能安全研究所)
本报告评估了GPT-6 Astra在网络安全挑战中是否执行未经授权的供应链攻击,发现其攻击率高于前代模型,并强调沙箱和监控等防御措施的重要性。
2026-10-01 cs.AI cs.CR
Needles at Scale: LLM-Assisted Target Selection for Windows Vulnerability Research
Microsoft(微软);University of California, Berkeley(加州大学伯克利分校)
提出Symbolicate-Enrich-Sample流水线,通过符号恢复、结构特征提取和低成本语言模型排序,从Windows系统数千万函数中筛选出约2.2万个候选目标,解决漏洞研究中目标选择瓶颈问题。
2026-05-31 cs.AI cs.CR cs.SE
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
LLMs in Web Development: Evaluating LLM-Generated PHP Code Unveiling Vulnerabilities and Limitations
University of Oslo(奥斯陆大学)
本研究通过混合检测方法评估2500个GPT-4生成的PHP网站的安全性,发现大量高危漏洞,公开相关数据集并强调生成式AI用于软件开发需严格安全测试。
2024-05-21 cs.AI cs.SE
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
Exposing the Systematic Vulnerability of Open-Weight Models to Prefill Attacks
本研究揭示了开放权重模型对预填充攻击的系统性漏洞,通过评估多种策略发现其普遍易受攻击,强调了加强防御的必要性。
2026-02-16 cs.AI cs.CL cs.CR
One Polluted Page Is Enough: Evaluating Web Content Pollution in LLM Recommenders
The Chinese University of Hong Kong(香港中文大学)
本研究提出FORGE基准,评估搜索增强LLM在检索结果被污染时推荐虚假产品的脆弱性,发现单个污染页面即可导致高达27%的推荐错误率,且推理能力无法缓解此问题。
2026-08-25 cs.AI cs.CL
Breaking the Illusion of Review Reliability under Static Evaluation: SCOPE Fuzzing for LLM-based Scientific Reviewers
Wuhan University(武汉大学);East China Normal University(华东师范大学)
针对静态评估在LLM评审可靠性验证中的不足,提出SCOPE-Fuzzer模糊测试框架,通过动态扰动揭示脆弱性,提升评审可靠性评估的全面性。
2026-09-30 cs.AI
Leveraging Large Language Models for Command Injection Vulnerability Analysis in Python: An Empirical Study on Popular Open-Source Projects
Louisiana State University(路易斯安那州立大学)
本实证研究针对Python命令注入漏洞检测问题,将GPT-4等大语言模型应用于6个星标超5万的知名开源项目,评估其检测的准确率、效率与 workflow 适配性,对比不同LLM工具的适用性,为利用LLM提升软件安全提供指导。
2025-05-21 cs.AI cs.CR cs.SE
How critically can an AI think? A framework for evaluating the quality of thinking of generative artificial intelligence
The University of Queensland(昆士兰大学)
本研究针对数字化评估中生成式AI带来的学术诚信等挑战,提出MAGE框架以评估行业基准模型ChatGPT4的批判性思维能力,帮助教育者判定评估内容的AI脆弱性,为评估设计提供依据。
2024-06-20 cs.AI
A Proposal for Evaluating the Operational Risk for ChatBots based on Large Language Models
本文提出一种面向大语言模型聊天机器人的多维操作风险评估指标,结合技术复杂度与情境因素,并通过增强 Garak 框架验证其在 RAG 场景下指导风险缓解与模型改进的有效性。
2025-05-07 cs.AI cs.CR cs.CY
Bridging AI and Software Security: A Comparative Vulnerability Assessment of LLM Agent Deployment Paradigms
University of Manouba(马努巴大学);University of Jendouba(坚杜拜大学);University of Sfax(斯法克斯大学);DataDoIt;South Mediterranean University(南地中海大学)
本研究通过统一威胁框架比较函数调用与MCP两种LLM智能体部署范式,发现函数调用攻击成功率更高,链式攻击效果显著,为安全部署提供实证指导。
2025-07-08 cs.AI cs.CR
The Consistency Dilemma in LLMs: Generator-Evaluator Agreement and Vulnerability to Mistakes
Massachusetts Institute of Technology(麻省理工学院)
提出生成器-评估器自一致性度量,发现模型自一致性越高,在临床环境中对已验证错误的脆弱性越大,揭示LLMs中的一致性困境。
2026-07-01 cs.AI cs.CY
Retrieve, Reproduce, Reveal: Dissecting Retrieval-Augmented Software Vulnerability Detection
Esslingen University(埃斯林根应用技术大学);University of Tübingen(图宾根大学)
本研究通过复现六个开源RAG4SVD系统、建立统一基准并进行组件级分析,揭示检索增强漏洞检测的可复现性与性能依赖问题,强调需在流水线组件层面进行评估。
2026-09-30 cs.AI 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
Evaluating Open-Weight LLMs for Generating Structured Threat Information for Autonomous Vehicle Vulnerabilities
The University of Alabama(阿拉巴马大学);Alabama Water Institute(阿拉巴马水研究所)
研究自动驾驶车辆漏洞相关结构化威胁信息生成问题,利用开放权重语言模型,通过构建CAV-STIXGen数据集评估11个模型,分析CWE和MITRE ATT&CK共现,展示AI辅助转换可自动化威胁情报并优先防御运输安全。
2026-07-20 cs.AI cs.CR
SCOPE: A Lightweight-training LLM Framework for Air Traffic Control Readback Monitoring
Department of Mechanical and Aerospace Engineering, The Hong Kong University of Science and Technology(香港科学与技术大学机械与航空航天工程系);School of Electronic and Information Engineering, Beihang University(北航电子与信息工程学院);State Key Laboratory of CNS/ATM(国家空管自动化系统实验室)
提出SCOPE框架,通过冻结LLM结合插件式开放集分类器和上下文学习机制,实现高效准确的空管复诵监控,在少样本设置下开放集检测准确率达91.05%,异常纠正率96.63%。
2026-05-28 cs.AI cs.CL cs.HC
On Predicting Vulnerability Severity Using In-Context Learning: An Industrial Case Study
William & Mary(威廉玛丽学院);Microsoft(微软公司);Cisco Systems(思科系统公司)
本研究通过工业案例,用可本地部署的开源LLM的上下文学习从C/C++代码片段预测CVSS v3.1评分,发现CodeLlama2-7B在轻量输出约束提示下可接近云服务性能,且Big-Vul可作为工业数据代理。
2026-08-25 cs.AI cs.CR
PoisonBench: Assessing Large Language Model Vulnerability to Data Poisoning
Anthropic;University of Oxford(牛津大学);Mila;WhiteBox
PoisonBench通过8个场景和21个模型评估偏好学习中的数据投毒脆弱性,发现模型规模不增强抵抗力、攻击效果与投毒比例呈对数线性关系且可泛化到外推触发器,揭示了现有防御的不足。
2025-06-06 cs.AI cs.CL cs.CR
Propagation-Based Vulnerability Impact Assessment for Software Supply Chains
National University of Singapore(新加坡国立大学)
提出基于分层工作列表的算法和VPSS动态指标,实现全生态系统调用图级漏洞传播分析,并在Java Maven生态系统的100个真实漏洞上验证了有效性。
2025-10-09 cs.CR cs.SE
Safeguarding Efficacy in Large Language Models: Evaluating Resistance to Human-Written and Algorithmic Adversarial Prompts
Manchester Metropolitan University(曼彻斯特城市大学)
本文用 SALAD-Bench 的 1,200 条提示评估四款 LLM 对人工与算法对抗提示的抵抗,揭示鲁棒性、攻击可迁移性及危害类别差异,为防御提供依据。
2025-10-12 cs.AI cs.CR cs.CY
PatchBench: Evaluating AI Agents for Vulnerability Patching
University of Maryland(马里兰大学)
本研究针对AI智能体漏洞修补评估的两大威胁,提出新基准PatchBench,发现仅基于PoC的验证会高估解决率1.83倍,揭示了当前修补智能体的局限。
2026-09-04 cs.AI cs.CR cs.SE
Evaluating the Use of Large Language Models as Synthetic Social Agents in Social Science Research
University of Oxford, Department of Politics and International Relations(牛津大学政治与国际关系系)
该研究针对LLM在社会科学中作为合成智能体应用增多的现状,提出解读注意事项与务实重构定位,并给出多项实用防护措施,助力研究人员规范使用LLM开展相关研究。
2025-10-28 cs.AI stat.AP
Revisiting the Performance of Deep Learning-Based Vulnerability Detection on Realistic Datasets
University of Waterloo(滑铁卢大学)
本文构建真实场景漏洞数据集Real-Vul,评估四种深度学习漏洞检测模型,揭示其在实际代码库中精确率和F1分数大幅下降,并针对过拟合问题提出数据增强方法,最多可提升30%性能。
2024-07-03 cs.AI cs.CR cs.LG
Pros and Cons! Evaluating ChatGPT on Software Vulnerability
本文基于Big-Vul数据集从五个软件漏洞任务系统评估ChatGPT,发现其在漏洞检测、严重性预测、定位、修复和CVE描述生成方面整体弱于现有最先进方法,并提出改进方向。
2024-04-05 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
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
Evaluating Pre-Trained Models for Multi-Language Vulnerability Patching
该研究评估CodeBERT、CodeT5两款预训练模型在多语言漏洞补丁任务中的表现,明确了二者的性能优势、效率差异及补丁长度带来的挑战,为自动化漏洞修复技术的实用化提供参考。
2025-01-13 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
Evaluating Large Language Models for Line-Level Vulnerability Localization
School of Software, Beihang University(北京航空航天大学软件学院);Nanyang Technological University(南洋理工大学);Yale University(耶鲁大学);Singapore Management University(新加坡管理大学)
本文评估了大型语言模型在行级漏洞定位中的表现,发现判别微调在有充足训练数据时效果显著,而提示方法在低数据环境下更有效,同时提出了改进微调过程的策略。
2025-12-26 cs.CR 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
VulGuard: An Unified Tool for Evaluating Just-In-Time Vulnerability Prediction Models
VulGuard 是一个统一自动化工具,通过挖掘 GitHub 提交并集成多个先进 JIT-VP 模型,解决漏洞预测研究中的可复现性与可扩展性问题,并在 FFmpeg 和 Linux 内核上验证了其加速研究和标准化基准测试的潜力。
2025-07-22 cs.SE
From Trace to Line: LLM Agent for Real-World OSS Vulnerability Localization
NYU Tandon School of Engineering(纽约大学唐纳德工程学院)
T2L框架通过基于AST的分块和证据引导细化,实现项目级和行级漏洞定位,提升LLM在开源软件中的精准诊断能力。
2026-02-04 cs.CR cs.LG cs.SE
Evaluating the NIST Bugs Framework Against CWE as a Successor for Automated Vulnerability Classification
The University of Alabama(阿拉巴马大学)
本研究评估NIST漏洞框架(BF)作为CWE继任者的可行性,通过专家标注和LLM自动化实验,证明BF在结构化程度和自动化友好性上优于CWE,但存在属性指导不足等空白。
2026-09-16 cs.CR cs.SE
Autosploit: A Fully Automated Framework for Evaluating the Exploitability of Security Vulnerabilities
Ben-Gurion University of the Negev(内盖夫本-古里安大学);NEC Corporation(日本电气公司)
系统中存在安全漏洞并不一定意味着它可以被利用。在这项研究中,我们介绍了Autosploit -一个自动化的框架,用于评估漏洞的可利用性。给定易受攻击的环境和相关漏洞,Autosploit将自动在环境的不同配置上测试漏洞,以确定成功利用现有漏洞所需的特定属性。由于测试所有可能的系统配置是不可行的,我们引入了一个有效的方法来测试和搜索所有可能的配置环境。Autosploit实现的高效测试过程基于两种算法:广义二进制分裂和Barinel,分别用于无噪声和噪声环境。我们实现了所提出的框架,并使用真正的漏洞进行评估。结果表明,Autosploit能够自动识别影响在无噪声和噪声环境中利用漏洞的能力的系统属性。这些重要结果可用于更准确和有效的风险评估。
2020-06-30 cs.AI cs.CR 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
TransferFuzz: Fuzzing with Historical Trace for Verifying Propagated Vulnerability Code
针对代码复用导致漏洞传播但现有方法无法验证其在新环境中可触发的问题,提出TransferFuzz框架,通过提取基础二进制文件的历史轨迹并结合密钥字节引导变异与嵌套模拟退火算法,实现高效验证,速度为现有方法的2.5-26.2倍,还扩展了15个漏洞的受影响范围。
2024-11-27 cs.SE
Cheesecloth: Zero-Knowledge Proofs of Real-World Vulnerabilities
目前,当安全分析师在关键软件系统中发现漏洞时,他们必须面对一个令人担忧的困境:立即向公众披露漏洞可能会伤害系统的用户;而仅向软件供应商披露漏洞会让供应商忽视或降低安全风险的优先级,从而损害无意中受影响的用户。最近一项引人注目的工作旨在通过使用零知识(ZK)协议来解决这个问题,该协议让分析师证明他们知道程序中的漏洞,而不透露漏洞的细节或利用它的输入。原则上,这可以通过通用ZK技术来实现。在实践中,ZK漏洞证明到目前为止在范围和可表达性方面受到限制,这是由于与生成大规模模拟真实世界软件的证明语句以及直接制定违反属性相关的挑战。本文介绍了CHEESECLOTH,一种新的证明编译器,它证明了ZK的实际漏洞健全,但积极的预处理程序的公共输入,有选择地揭示有关执行的控制段的信息,并正式使用一种新的存储标签计划的信息泄漏。CHEESECLOTH的实用性是通过在(以前版本的)关键软件中生成众所周知的漏洞的ZK证明来证明的,包括OpenSSL中的Heartbleed信息泄漏和FFmpeg图形框架中的内存漏洞。
2023-01-03 cs.CR cs.SE
PATCHEVAL: A New Benchmark for Evaluating LLMs on Patching Real-World Vulnerabilities
Huazhong University of Science and Technology(华中科技大学);ByteDance(字节跳动)
针对现有漏洞修复基准的缺陷,本文提出覆盖Go、JS、Python的多语言基准PATCHEVAL,基于千个近年CVE构建数据集并配套沙箱验证环境,评估主流LLM与智能体的漏洞修复能力以指导后续AVR研究。
2025-11-14 cs.CR cs.SE
EvalSVA: Multi-Agent Evaluators for Next-Gen Software Vulnerability Assessment
Harbin Institute of Technology(哈尔滨工业大学);Fudan University(复旦大学);Peng Cheng Laboratory(鹏城实验室);Northwestern Polytechnical University(西北工业大学)
EvalSVA提出多智能体评估器框架,利用多个大语言模型协作,在有限数据下提升软件漏洞评估的准确率和F1分数,并构建多语言数据集以支持评估。
2024-12-11 cs.AI cs.SE
Revisiting Pre-trained Language Models for Vulnerability Detection
University of Texas at Dallas(德克萨斯大学达拉斯分校);Florida International University(佛罗里达国际大学);Microsoft(微软公司)
本文重新审视预训练语言模型在漏洞检测中的应用,发现特定设计的模型在性能上更优,但面临现实场景中的挑战,如复杂依赖检测和标注错误问题。
2025-11-22 cs.AI cs.CR cs.LG
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
GraftyVul: Synthesising Insecure Programs Through Real-World Vulnerability Grafting
University of New South Wales(新南威尔士大学);Nullify;CSIRO(澳大利亚联邦科学与工业研究组织)
GraftyVul是通过将真实世界漏洞植入开源项目构建不安全程序的系统,生成212个跨5种语言、23个CWE类别的可验证漏洞程序,在多样性等指标上优于13个常用数据集,可用于评估漏洞修复系统。
2026-08-31 cs.CR 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
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 with Code Language Models: How Far Are We?
University of Maryland(马里兰大学);King Abdulaziz City for Science and Technology(阿卜杜勒阿齐兹国王科学技术城);Google DeepMind(谷歌DeepMind);Columbia University(哥伦比亚大学);University of Washington(华盛顿大学)
该研究指出现有漏洞数据集与评估方法存在缺陷,推出标注准确、去重且按时间划分的PrimeVul数据集,实验表明现有基准高估了代码语言模型的漏洞检测性能,凸显了该领域的研究缺口。
2024-07-10 cs.CL 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