Vulnerability Detection Using Two-Stage Deep Learning Models
Arab International University（阿拉伯国际大学）
针对传统非AI漏洞检测方法假阳性与假阴性率高的问题，提出两阶段深度学习方案，利用CNN和CNN-LTSM模型分别对C/C++源代码进行二分类和多分类漏洞检测，在SySeVR数据集上分别达到99%和98%的准确率。
2023-05-08 cs.AI cs.CR cs.LG
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
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
MARGIN: Margin-Aware Regularized Geometry for Imbalanced Vulnerability Detection
College of Artificial Intelligence and Computer Science, Northwest Normal University（人工智能与计算机科学学院，西北师范大学）
本文提出MARGIN框架，通过自适应边缘度量学习和超球体原型建模，解决漏洞检测中频率和难度不平衡问题，提升分类和检测性能。
2026-07-09 cs.CR cs.LG 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
To Err is Machine: Vulnerability Detection Challenges LLM Reasoning
Iowa State University（爱荷华州立大学）；University College London（伦敦大学学院）
本文评估 LLM 在漏洞检测这一代码推理任务上的表现，发现 SOTA 模型平衡准确率仅 54.5%，扩大模型、数据、提示或微调均难显著改善。
2025-01-07 cs.CR cs.LG 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
Eth2Vec: Learning Contract-Wide Code Representations for Vulnerability Detection on Ethereum Smart Contracts
Osaka University（大阪大学）；National Institute of Technology, Nara College（奈良工业高等专门学校）
以太坊智能合约是在以太坊区块链上运行的程序，在过去十年中发现了许多智能合约漏洞。已经创建了许多安全分析工具来检测此类漏洞，但是当要分析的代码被重写时，它们的性能急剧下降。在本文中，我们提出了Eth2Vec，这是一种基于机器学习的静态分析工具，用于漏洞检测，对智能合约中的代码重写具有鲁棒性。现有的基于机器学习的漏洞检测静态分析工具需要分析人员手动创建的特征作为输入。相比之下，Eth2Vec通过用于语言处理的神经网络自动学习具有隐性知识的易受攻击的以太坊虚拟机（EVM）字节码的特征。因此，Eth2Vec可以通过比较目标EVM字节码与其已经学习的EVM字节码之间的代码相似度来检测智能合约中的漏洞。我们对现有的开放数据库（如Etherscan）进行了实验，结果表明Eth2Vec在众所周知的指标方面优于现有的工作，即，精确度、召回率和F1分数。此外，Eth2Vec甚至可以检测重写代码中的漏洞。
2021-01-08 cs.CR cs.LG cs.SE
An Empirical Study of Deep Learning Models for Vulnerability Detection
Iowa State University（爱荷华州立大学）
代码的深度学习（DL）模型最近在漏洞检测方面取得了巨大进展。在某些情况下，基于DL的模型优于静态分析工具。虽然已经提出了许多伟大的模型，但我们还没有很好地理解这些模型。这限制了模型鲁棒性的进一步提高，调试和部署的漏洞检测。在本文中，我们在两个广泛使用的漏洞检测数据集Devign和MSR上调查和复制了9个最先进的（SOTA）深度学习模型。我们研究了三个方面的6个研究问题，即模型能力，训练数据和模型解释。我们通过实验证明了模型不同运行之间的变异性以及不同模型输出之间的低一致性。我们研究了针对特定类型的漏洞训练的模型，并与同时针对所有漏洞训练的模型进行了比较。我们探讨了DL可能认为“难以”处理的程序类型。我们研究了训练数据大小和训练数据组成与模型性能的关系。最后，我们研究了模型解释，并分析了模型用于预测的重要特征。我们相信，我们的研究结果可以帮助更好地理解模型的结果，提供指导准备训练数据，并提高模型的鲁棒性。我们所有的数据集、代码和结果都可以在https://doi.org/10.6084/m9.figshare.20791240上找到。
2023-02-12 cs.CR cs.LG 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
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
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
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
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
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
Dataflow Analysis-Inspired Deep Learning for Efficient Vulnerability Detection
Iowa State University（爱荷华州立大学）
本文提出受数据流分析启发的图学习框架 DeepDFA，通过模拟数据流计算实现高效漏洞检测，并结合 LLM 在 Big-Vul 上达到新的最优性能。
2023-10-01 cs.CR cs.LG 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
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
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
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
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
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
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
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
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
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
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
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
Vulnerability Detection in Popular Programming Languages with Language Models
本文研究了语言模型在JavaScript、Java、Python、PHP、Go和C/C++等流行编程语言中的漏洞检测有效性，发现JavaScript表现最佳，且代码复杂性与检测性能仅存在弱相关性。
2024-12-23 cs.CR cs.SE
AI-Based Software Vulnerability Detection: A Systematic Literature Review
本研究对2018-2023年AI驱动的软件漏洞检测研究做系统性综述，梳理技术分类，指出主流方法与现存局限，提出未来研究方向。
2025-06-12 cs.CR cs.SE
SemVul: Semantic-Enhanced Graph Neural Networks for Code Property Graph-based Vulnerability Detection
Dipartimento di Ingegneria Elettrica e Elettronica, Università di Cagliari（卡利亚里大学电气与电子工程系）；Interuniversity National Consortium for Informatics, CINI（意大利国家信息学大学联盟）
SemVul是一种基于代码属性图的语义增强图神经网络漏洞检测方法，通过结合节点级和边级语义嵌入，提升漏洞检测的准确性和泛化能力。
2026-09-09 cs.CR cs.SE
K-ASTRO: Structure-Aware Adaptation of LLMs for Code Vulnerability Detection
Vanderbilt University（范德比大学）
K-ASTRO提出轻量级Transformer模型，结合LLM语义嵌入与AST结构特征，通过变异测试增强和结构感知注意力机制，在三个大型数据集上实现高效准确的代码漏洞检测，并支持CPU快速推理。
2025-10-13 cs.LG cs.SE
ETrace:Event-Driven Vulnerability Detection in Smart Contracts via LLM-Based Trace Analysis
针对传统智能合约漏洞检测多依赖源代码的局限，提出无需源码的ETrace框架，通过提取交易日志事件序列、结合LLM思维链推理与模式匹配检测漏洞，初步实验验证了其有效性。
2025-07-30 cs.CR cs.SE
Similar but Patched Code Considered Harmful -- The Impact of Similar but Patched Code on Recurring Vulnerability Detection and How to Remove Them
Zhejiang University（浙江大学）；Centre for Software Excellence, Huawei（华为软件卓越中心）；Huawei（华为）
本文提出FVF框架，通过分析代码变更历史来识别和过滤相似但已修补的代码，减少漏洞检测中的误报，构建了真实世界SBP数据集并验证了现有深度学习方法的无效性。
2024-12-30 cs.CR cs.SE
Coca: Improving and Explaining Graph Neural Network-Based Vulnerability Detection Systems
针对基于GNN的漏洞检测系统可解释性不足、易产生虚假冗余解释的问题，提出含训练器与解释器的Coca框架，通过组合对比学习增强模型鲁棒性，借助双视图因果推断生成高质量解释，经三类典型检测器验证效果显著。
2024-01-26 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
Dynamic Vulnerability Detection on Smart Contracts Using Machine Learning
在这项工作中，我们提出了Dynamit，这是一个监测框架，用于检测以太坊智能合约中的可重入漏洞。我们框架的新颖之处在于它只依赖于来自区块链系统的交易元数据和余额数据;我们的方法不需要领域知识、代码插装或特殊的执行环境。Dynamit从交易数据中提取特征，并使用机器学习模型将交易分类为良性或有害。因此，我们不仅可以找到易受重入攻击的合同，而且还可以得到再现攻击的执行跟踪。
2021-02-15 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
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
HFContractFuzzer: Fuzzing Hyperledger Fabric Smart Contracts for Vulnerability Detection
区块链技术凭借其去中心化、不可变性等独特优势，近年来在各个领域得到广泛应用。运行在区块链上的智能合约也在去中心化应用场景中发挥着越来越重要的作用。因此，智能合约安全漏洞的自动检测成为区块链技术应用中亟待解决的问题。Hyperledger Fabric是一个基于企业级许可分布式账本技术的智能合约平台。然而，Hyperledger Fabric智能合约的漏洞检测技术研究仍处于起步阶段。在本文中，我们提出了HFContractFuzzer，这是一种基于Fuzzing技术来检测Hyperledger Fabric智能合约的方法，它结合了一个名为go-fuzz的golang Fuzzing工具和golang编写的智能合约。我们使用HFContractFuzzer从典型的来源中检测出五个合同中的漏洞，发现其中四个存在安全漏洞，证明了所提出的方法的有效性。
2021-06-21 cs.CR cs.SE
SCoPE: Evaluating LLMs for Software Vulnerability Detection
本研究提出SCoPE框架优化CVEFixes数据集，并微调三个预训练大语言模型进行软件漏洞检测，最佳模型F1分数达53%。
2024-07-19 cs.AI cs.CR cs.LG
DREA: Decoupled Reasoning and Exploration Agents for Repository-Level Vulnerability Detection
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）
研究针对大语言模型用于仓库级漏洞检测时的不足，提出DREA框架，通过规划与探索代理解耦，实现目标导向上下文获取。构建RepoPairBench评估，提升配对正确性，降低成本，还发现安全推理质量是当前大语言模型的瓶颈。
2026-07-16 cs.CR 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
Expert-in-the-Loop Systems with Cross-Domain and In-Domain Few-Shot Learning for Software Vulnerability Detection
本研究针对网络威胁下的高效软件漏洞检测需求，对比大语言模型不同提示策略并结合基于置信度的专家在环路由机制，验证了少样本提示的性能提升效果，为AI辅助漏洞检测系统部署提供基础。
2025-06-11 cs.CR cs.SE
