AutoMESC: Automatic Framework for Mining and Classifying Ethereum Smart Contract Vulnerabilities and Their Fixes
由于智能合约中的漏洞所带来的风险，其安全性近年来受到了极大的关注。然而，缺乏关于智能合约漏洞及其修复的开放数据集，从而可以进行数据驱动的研究。为此，我们提出了一种自动化方法，用于从GitHub和国家漏洞数据库中的常见漏洞和暴露（CVE）记录中挖掘和分类以太坊的智能合约漏洞及其相应的修复。我们在一个完全自动化的框架中实现了所提出的方法，我们称之为AutoMESC。AutoMESC使用七种最知名的智能合约安全工具，根据漏洞类型对收集到的漏洞进行分类和标记。此外，它还收集可用于数据密集型智能合约安全研究的元数据（例如，漏洞检测、漏洞分类、严重性预测和自动修复）。我们使用AutoMESC构建了一个样本数据集，并将其公开。目前，该数据集包含6700个以Solidity编写的智能合约的可行性修复对。我们从准确性、来源和相关性方面评估了构建数据集的质量，并将其与现有数据集进行比较。AutoMESC旨在持续收集数据，并通过GitHub和CVE记录中新发现的智能合约漏洞及其修复程序来更新相应的数据集。
2022-12-20 cs.CR cs.SE
The Security War in File Systems: An Empirical Study from A Vulnerability-Centric Perspective
本文从可扩展性的角度对现代文件系统的安全性进行了系统的研究。具体来说，我们收集了377个文件系统漏洞提交到过去20年的CVE数据库。我们从四个维度来描述它们，包括为什么会出现漏洞，如何利用漏洞，会产生什么后果，以及如何修复漏洞。通过这种方式，我们可以深入了解文件系统面临的攻击面、攻击面造成的威胁以及减轻文件系统中攻击的良好和不良做法。我们设想，我们的研究将带来的见解对未来的发展文件系统，增强文件系统的安全性，以及相关的漏洞缓解解决方案。
2022-04-26 cs.CR
Automatic Web Security Unit Testing: XSS Vulnerability Detection
将安全测试集成到软件开发人员的工作流程中，不仅可以节省单独安全测试的资源，还可以通过在开发周期的早期检测来降低修复安全漏洞的成本。我们提出了一种自动测试方法来检测一种常见的跨站点脚本（XSS）漏洞所造成的不受信任的数据的不正确编码。我们自动提取在Web应用程序中使用的编码函数来清理不可信的输入，然后通过自动生成XSS攻击字符串来评估其有效性。我们的评估表明，这种技术可以检测到0天的XSS漏洞，不能发现的静态分析工具。我们还将证明我们的方法可以有效地覆盖常见类型的XSS漏洞。这种方法可以推广到针对其他类型注入（如命令行注入）的输入验证测试。
2018-04-02 cs.CR
Original Sin of npm: A Study on Vulnerability Propagation in JavaScript Dependency Networks
Data61, CSIRO（CSIRO数据六部）；RMIT University（皇家墨尔本理工大学）；Macquarie University（麦考瑞大学）；Sungkyunkwan University（成均馆大学）
本文研究了少量脆弱JavaScript包如何导致大量脆弱包的产生，揭示了依赖网络中漏洞传播的特性及修复时间，提出开发人员和包管理者的缓解建议。
2026-04-19 cs.CR
Security in a Workflow: Exploring Role-Based Agentic Architectures for Vulnerability Handling
Chalmers University of Technology and University of Gothenburg（查尔姆斯理工大学和哥德堡大学）
本文提出基于角色的智能体工作流（规划、分析、修复、验证），结合CodeQL工具，在25个真实C/C++漏洞上实现44%检测准确率和19%修复准确率。
2026-06-15 cs.CR cs.SE
Vulnerability of Fixed-Time Control of Signalized Intersections to Cyber-Tampering
Institute for Software Integrated Systems, Vanderbilt University（范德堡大学软件集成系统研究所）
研究信号交叉口固定时间控制在传感器数据被攻击者篡改时的脆弱性，采用双层优化方法解决三种恶意目标，通过实际网络案例验证结果。
2017-02-08 cs.CR cs.SY eess.SY
Example-Based Vulnerability Detection and Repair in Java Code
Java库JCA和JSSE提供了加密API以促进安全编码。当开发人员滥用某些API时，他们的代码容易受到网络攻击。为了消除这些漏洞，人们构建了通过模式匹配检测安全API滥用的工具。然而，大多数工具不（1）修复误用或（2）允许用户扩展工具的模式集。为了克服这两个限制，我们创建了Seader--一种基于示例的方法来检测和修复安全API滥用。给定一个示例<insecure，secure>代码对，Seader比较代码片段以推断任何API滥用模板和相应的修复编辑。根据推断出的信息，给定一个程序，Seader执行过程间静态分析来搜索安全API误用并提出定制的修复方案。为了进行评估，我们将Seader应用于28个<不安全，安全>代码对; Seader成功地推断出21个独特的API误用模板和相关修复。通过这些<vulnerability，fix>模式，我们将SEADER应用于一个有86个已知漏洞的程序基准测试。Seader以95%的准确率、72%的召回率和82%的F分数检测到漏洞。我们还将Seader应用于100个开源项目，并手动检查了77个建议的修复;其中76个修复是正确的。Seader可以帮助开发人员正确使用安全API。
2022-04-28 cs.CR cs.SE
Closing the Gap: A User Study on the Real-world Usefulness of AI-powered Vulnerability Detection & Repair in the IDE
Department of Computer Science, Iowa State University（计算机科学系，爱荷华州立大学）；Microsoft Data & AI（微软数据与人工智能）
本文研究了AI驱动的漏洞检测与修复工具在IDE中的实际有用性，通过17名专业开发者使用DeepVulGuard工具的实证研究发现，尽管该工具前景广阔，但高误报率和不可应用的修复使其尚未能用于实际场景。
2025-04-25 cs.CR cs.LG cs.SE
Automated Mapping of Vulnerability Advisories onto their Fix Commits in Open Source Repositories
Eindhoven University of Technology - JADS（埃因霍温理工大学-JADS）；SAP Security Research（思爱普安全研究院）；University of Trento（特伦托大学）；University of Salerno（萨勒诺大学）
本文提出结合启发式规则与NLP的三阶段方法，并通过FixFinder自动将漏洞通告映射到开源仓库中的修复提交，在1,248条通告上Top-10命中率达84.03%。
2023-05-10 cs.CR cs.LG cs.SE
Favia: Forensic Agent for Vulnerability-fix Identification and Analysis
Norwegian University of Science and Technology（挪威科技大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61研究所）
Favia通过结合可扩展的候选排名与深入语义推理，有效识别漏洞修复，优于传统和LLM基方法。
2026-02-13 cs.AI cs.CR cs.SE
Data-Driven Vulnerability Detection and Repair in Java Code
Java平台提供了各种API来促进安全编码。然而，对于缺乏网络安全培训的开发人员来说，正确使用安全API通常具有挑战性。先前的工作表明，许多开发人员滥用安全API;这种滥用可能会将漏洞引入软件，使安全保护无效，并向黑客提供安全漏洞。为了消除这种API相关的漏洞，本文提出了SEADER -我们的新方法，检测和修复安全API滥用。给定一个示例性的不安全代码片段及其安全对应代码片段，SEADER会比较这些代码片段并进行数据依赖性分析，以推断安全API滥用模板和相应的修复操作。根据推断的信息，给定一个程序，SEADER执行过程间静态分析，以搜索任何安全API滥用，并针对这些漏洞提出定制的修复建议。为了评估SEADER，我们将其应用于25个<不安全，安全>代码对，SEADER成功地推断出18个独特的API误用模板和相关修复。通过这些漏洞修复模式，我们进一步将SEADER应用于10个开源项目，这些项目总共包含32个已知漏洞。我们的实验表明，SEADER检测漏洞的准确率为100%，召回率为84%，准确率为91%。此外，我们将SEADER应用于100个Apache开源项目，并检测到988个漏洞; SEADER始终正确地定制修复建议。根据SEADER的输出，我们提交了60个pull requests。截至目前，已有18个项目的开发商对SEADER的建议给予了积极的反馈。我们的研究结果表明，SEADE…
2021-02-13 cs.CR cs.SE
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
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
How Effective Are Neural Networks for Fixing Security Vulnerabilities
Purdue University（普渡大学）；University of Waterloo（滑铁卢大学）；York University（约克大学）；University of Alberta（阿尔伯塔大学）；J.P. Morgan AI Research（摩根大通AI研究院）
本文首次系统比较了LLMs与基于深度学习的APR模型在Java漏洞修复上的能力，提出新基准VJBench及变换版本，并发现现有方法修复率低、Codex表现相对最好，呼吁通过更大训练数据、微调和代码简化变换来提升自动修复效果。
2024-04-02 cs.AI cs.CR cs.SE
Chain-of-Thought Prompting of Large Language Models for Discovering and Fixing Software Vulnerabilities
本文提出漏洞语义引导的思维链提示方法VSP，利用大语言模型完成漏洞识别、发现与修补三项任务，实验显示其在CVE数据集上F1准确率显著优于基线。
2024-02-27 cs.CR
Technical Information on Vulnerabilities of Hypercall Handlers
现代虚拟化服务基础设施暴露了能够实现高严重性攻击的攻击媒介，例如针对虚拟机管理程序的攻击。访客VM（虚拟机）的恶意用户可以经由超级调用来执行针对底层管理程序的攻击，超级调用是从完全或部分半虚拟化的访客VM的内核到管理程序的软件陷阱。利用超级调用处理程序的漏洞可能会产生严重后果，例如更改虚拟机管理程序的内存，从而导致使用虚拟机管理程序权限执行恶意代码。尽管超级调用处理程序的漏洞很重要，但关于它们的公开信息并不多。这严重阻碍了保护超级调用接口的进展。在这项工作中，我们提供了关于公开披露的超级调用处理程序漏洞的深入技术信息。我们的漏洞分析是基于逆向工程发布的补丁修复所考虑的漏洞。对于每个分析的漏洞，我们提供了了解漏洞所必需的背景信息，以及有关易受攻击的超级调用处理程序和导致漏洞的错误的信息。我们还展示了如何触发漏洞，并讨论了触发漏洞后目标虚拟机管理程序的状态。
2014-10-05 cs.CR
Neural Transfer Learning for Repairing Security Vulnerabilities in C Code
KTH Royal Institute of Technology（瑞典皇家理工学院）；Colorado State University（科罗拉多州立大学）
在本文中，我们解决了深度学习自动修复软件漏洞的问题。数据驱动漏洞修复的主要问题是，已知已确认漏洞的少数现有数据集仅包含几千个示例。然而，训练一个深度学习模型通常需要数十万个示例。在这项工作中，我们利用直觉，错误修复任务和漏洞修复任务是相关的，从错误修复学到的知识可以转移到修复漏洞。在机器学习社区中，这种技术被称为迁移学习。本文提出了一种基于迁移学习的安全漏洞修复方法VRepair。VRepair首先在一个大型的bug修复语料库上进行训练，然后在一个小一个数量级的漏洞修复数据集上进行调整。在我们的实验中，我们证明了只在bug修复语料库上训练的模型已经可以修复一些漏洞。然后，我们证明了迁移学习提高了修复脆弱C函数的能力。我们还表明，迁移学习模型的性能优于使用去噪任务训练并在漏洞修复任务上进行微调的模型。总之，本文表明，与在小数据集上学习相比，迁移学习在修复C中的安全漏洞方面效果良好。
2022-01-04 cs.CR cs.LG cs.SE
ReposVul: A Repository-Level High-Quality Vulnerability Dataset
针对现有漏洞数据集的补丁纠缠、缺乏跨过程漏洞和过时补丁问题，提出自动化数据收集框架并构建首个仓库级高质量漏洞数据集ReposVul，包含解缠、多粒度依赖提取和痕迹过滤三个模块。
2024-02-08 cs.CR cs.SE
A Study of Vulnerability Repair in JavaScript Programs with Large Language Models
Simon Fraser University（西蒙菲莎大学）
本研究探讨了ChatGPT和Bard等大型语言模型在修复JavaScript程序安全漏洞中的准确性，并发现提示中适当的上下文对生成正确补丁至关重要。
2024-03-19 cs.AI cs.CR
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
One Is Not Enough: The Untold Story of Multiple Security Patches for One Vulnerability
Nankai University（南开大学）；Nanyang Technological University（南洋理工大学）；Qi An Xin Technology Group（奇安信科技集团）
本研究首次大规模实证揭示多补丁漏洞的普遍性，提出两级分类法并开发SPectre工具，显著提升补丁发现覆盖率，发现系统性的未报告补丁问题。
2026-09-09 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
SPFinder: Improving the Context Length and Scalability for Tracing Known Vulnerability Patches
Stevens Institute of Technology（史蒂文斯理工学院）；ZJU-UIUC（浙江大学伊利诺伊大学厄巴纳香槟校区联合学院）；University of Texas, San Antonio（德克萨斯大学圣安东尼奥分校）
SPFinder是一种用于追踪已知漏洞补丁的可扩展检索框架，通过分层嵌入和三阶段检索解决长上下文与可扩展性问题，在多数据集评估中优于现有方法，可实用关联CVE补丁。
2026-08-04 cs.CR 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
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
Mono: Is Your "Clean" Vulnerability Dataset Really Solvable? Exposing and Trapping Undecidable Patches and Beyond
针对安全补丁数据集中标签错误、上下文不足和不可判定补丁问题，本文提出 LLM 驱动框架 mono，并通过 MegaVul 验证其在纠错、恢复漏洞和提升检测准确率方面的效果。
2025-06-11 cs.CR cs.SE
Towards Vulnerability Discovery Using Staged Program Analysis
从低级代码中消除漏洞对于保护软件至关重要。静态分析是一种很有前途的发现漏洞的方法，因为它可以为开发人员提供关于他们编写的代码的早期反馈。但是，它提出了多个挑战，其中最重要的是理解是什么使bug可利用并将此信息传达给开发人员。在本文中，我们介绍了一个实用的脆弱性评估框架Melange的设计和实现。Melange执行数据和控制流分析，以诊断潜在的安全漏洞，并输出格式良好的漏洞报告，帮助开发人员了解和修复安全漏洞。基于真实世界的漏洞会在程序的多个部分中表现出来的直觉，Melange执行本地和全局分析。为了扩展到大型项目，全球分析是由需求驱动的。我们的原型检测C和C++代码中的多个漏洞类，包括类型混淆和垃圾内存读取。我们对Melange进行了广泛的评估。我们的案例研究表明，Melange可以扩展到Chromium等大型代码库，易于使用，最重要的是，能够发现真实代码中的漏洞。我们的研究结果表明，静态分析是一个可行的加强软件测试工具集。
2016-04-06 cs.CR cs.PL
VADER: A Human-Evaluated Benchmark for Vulnerability Assessment, Detection, Explanation, and Remediation
AfterQuery
VADER是一个含174个真实漏洞的人工评估基准，用于测试LLM在漏洞评估、检测、解释和修复上的能力，发现当前最先进模型准确率仅约50%，且修复质量与分类准确性高度相关。
2025-05-26 cs.AI cs.CR
Repairing vulnerabilities without invisible hands. A differentiated replication study on LLMs
University of Trento（特伦托大学）
本文通过受控实验研究LLM在漏洞修复中的表现，发现其修复能力可能受隐藏因素影响，通过偏移故障位置验证模型是否能复现记忆中的修复方案。
2026-01-14 cs.CR cs.LG cs.SE
