Bridging Semantics & Structure for Software Vulnerability Detection using Hybrid Network Models
The George Washington University（乔治·华盛顿大学）
提出将程序异构图表示与轻量级本地LLM结合的混合框架，在Java漏洞检测中达93.57%准确率，同时提取子图生成解释，提升可解释性。
2025-10-11 cs.AI 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
Harnessing Large Language Models for Software Vulnerability Detection: A Comprehensive Benchmarking Study
School of Information Technologies Tallinn University of Technology（塔林理工大学信息技术学院）；School of Informatics, Computing, and Cyber Systems Northern Arizona University（北亚利桑那大学信息学、计算与网络系统学院）
针对传统漏洞检测工具的不足，本研究提出用大型语言模型（LLMs）检测源代码漏洞，测试多种LLM及最佳提示策略，对比传统工具后发现LLMs在召回率和F1分数上更优，能识别更多问题，为开发和安全人员提供帮助。
2024-05-24 cs.AI cs.CR cs.SE
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
Security Vulnerability Detection Using Deep Learning Natural Language Processing
Ball State University（鲍尔州立大学）；Illinois State University（伊利诺伊州立大学）
几十年来，在软件被利用之前检测软件中的安全漏洞一直是一个具有挑战性的问题。传统的代码分析方法已经被提出，但通常是无效和低效的。在这项工作中，我们将软件漏洞检测建模为一个自然语言处理（NLP）问题，将源代码视为文本，并使用最近先进的深度学习NLP模型，辅以书面英语的迁移学习，来解决自动化软件venerability检测问题。为了进行培训和测试，我们对NIST NVD/SARD数据库进行了预处理，并使用$C$程序设计语言构建了一个包含123种漏洞的10万多个文件的数据集。大量的实验表明，该算法在安全漏洞检测中的准确率达到了93%以上。
2021-05-06 cs.AI cs.CR
Evaluating LLaMA 3.2 for Software Vulnerability Detection
Research Group on Intelligent Engineering and Computing for Advanced Innovation and Development (GECAD), School of Engineering of the Polytechnic of Porto（波尔图理工学院工程学院）；INESC TEC/Polytechnic of Porto - School of Engineering（INESC TEC/波尔图理工学院工程学院）
本文针对 DiverseVul 数据集中的不一致问题提出精炼版本，并用其微调 LLaMA 3.2 进行漏洞检测，使 F1-Score 从基线 47% 提升至 66%。
2025-03-10 cs.AI cs.CR cs.LG
On the Effectiveness of Instruction-Tuning Local LLMs for Identifying Software Vulnerabilities
KAIST Cyber Security Research Center（韩国科学技术院网络安全研究中心）
本文提出通过指令微调本地LLM来提升软件漏洞识别效果，替代依赖API的大型模型，实现更高效、安全的漏洞管理。
2025-12-23 cs.AI cs.CR
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
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
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
Analysis of LLM Vulnerability to GPU Soft Errors: An Instruction-Level Fault Injection Study
School of Computer Science (National Pilot Software Engineering School), Beijing University of Posts and Telecommunications（计算机学院（国家试点软件工程学院），北京邮电大学）；State Key Lab of Processors, Institute of Computing Technology, Chinese Academy of Sciences（处理器国家重点实验室，中国科学院计算技术研究所）
本文通过指令级故障注入研究，分析了LLM对GPU软错误的脆弱性，揭示了模型架构、参数规模和任务复杂性对可靠性的影响，为设计更有效的容错机制提供了新见解。
2026-11-06 cs.AI cs.AR cs.CR
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
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
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
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
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
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
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
Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation
IBM Research（IBM研究院）
识别易受攻击的代码是应对软件安全漏洞的预防措施。构建静态分析器已经花费了专家们冗长的精力，但是不安全的模式几乎没有被完全列举出来。本文探索了一种深度学习的方法，从代码语料库中自动学习不安全的模式。由于代码自然承认图结构与解析，我们开发了一种新的图神经网络（GNN），利用语义上下文和结构规律的程序，以提高预测性能。与通用GNN相比，我们的增强功能包括从程序的几个解析图中学习到的多个表示的合成，以及利用标记的细粒度的新训练损失度量。我们的模型在两个真实世界的数据集上优于多种基于文本、图像和图形的方法。
2021-09-07 cs.AI 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
Explaining the Contributing Factors for Vulnerability Detection in Machine Learning
Concordia University（康考迪亚大学）；Stevens Institute of Technology（史蒂文斯理工学院）；University of Hawaii（夏威夷大学）
本文研究不同漏洞特征表示与机器学习模型组合对17个项目漏洞检测准确性的影响，发现词袋嵌入结合随机森林的基线模型可稳定提升约4%准确率，并揭示了漏洞签名跨项目迁移的局限性。
2024-06-05 cs.AI cs.SE
An Empirical Study of the Imbalance Issue in Software Vulnerability Detection
ITIS, Luxembourg Institute of Science and Technology（卢森堡科学与技术研究所）；SnT, University of Luxembourg（卢森堡大学）
本文通过实证研究发现，软件漏洞检测中不平衡问题影响模型性能，聚焦损失、类平衡损失和随机过采样在不同指标上各有优势，但无一能全面优化。
2026-02-12 cs.AI 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
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
Enhancing Software Vulnerability Detection Through Adaptive Test Input Generation Using Genetic Algorithm
本研究提出一种结合遗传算子与自适应反馈的测试输入生成方法，通过交叉算子探索和反馈驱动选择，在九个JSON库上显著提升覆盖率，增强漏洞检测能力。
2025-08-08 cs.AI cs.SE
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
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
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
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
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
Software Vulnerability Prediction Knowledge Transferring Between Programming Languages
Ericsson Security Research（爱立信安全研究院）；Vodafone（沃达丰）
开发自动化和智能化的软件漏洞检测模型一直受到研究和开发社区的极大关注。这方面最大的挑战之一是缺乏适用于所有不同程序设计语言的代码示例。在这项研究中，我们通过提出一种迁移学习技术来解决这个问题，该技术利用可用的数据集并生成一个模型来检测不同程序设计语言中的常见漏洞。我们使用C源代码样本来训练一个卷积神经网络（CNN）模型，然后，我们使用Java源代码样本来采用和评估学习的模型。我们使用来自两个基准数据集的代码样本：NIST软件保障参考数据集（SARD）和Draper VDISC数据集。实验结果表明，该模型能够检测出C和Java代码中的漏洞，平均召回率为72%.此外，我们采用可解释的人工智能来研究每个功能对所提出的模型中C和Java之间的知识转移机制的贡献。
2023-03-10 cs.AI cs.LG 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
EaTVul: ChatGPT-based Evasion Attack Against Software Vulnerability Detection
CSIRO’s Data61（联邦科学与工业研究组织Data61）；Swinburne University of Technology（斯威本科技大学）；DST Group, Australia（澳大利亚国防科学与技术集团）
本文提出EaTVul方法，结合支持向量机、注意力机制、ChatGPT与模糊遗传算法生成对抗样本，对软件漏洞检测模型实施规避攻击，实验证明其在特定条件下攻击成功率可达100%，凸显了加强防御的必要性。
2024-07-27 cs.AI cs.CR 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
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
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
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
Vulnerability Identification by Harnessing Inter-connected Multi-Source Information
Beihang University（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）
本文提出利用多源信息互联提升漏洞识别与分类效果，通过多头注意力机制提取语义信息，实现更高的F1分数。
2026-04-27 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
Reinforcement Learning for Software Vulnerability Analysis: A Systematic Review with Emphasis on C/C++ Source Code and Static Analysis
系统综述强化学习在C/C++软件漏洞分析中的应用，发现15项研究聚焦于模糊测试和引导探索，仅3项直接检测漏洞，1项实现语句级定位，且静态结构表示（如CFG）和基准测试存在不足。
2026-06-24 cs.AI cs.CR cs.LG
Augmenting Software Bills of Materials with Software Vulnerability Description: A Preliminary Study on GitHub
本文针对SBOMs缺乏软件漏洞信息的问题，提出用项目依赖项暴露的CVE信息增强40个开源项目的SBOMs，并通过提交pull requests和问卷调查进行评估，反馈表明该方法具有实用价值。
2025-05-27 cs.SE
Towards Predicting Multi-Vulnerability Attack Chains in Software Supply Chains from Software Bill of Materials Graphs
University of Colorado Colorado Springs (UCCS)（科罗拉多大学科罗拉多斯普林斯分校 (UCCS)）
本文提出基于SBOM图学习的方法，通过构建异构图预测软件供应链中的多漏洞攻击链，验证结果显示模型在识别漏洞关联和预测攻击链方面具有高准确率。
2026-07-17 cs.CR cs.LG cs.SE
Fixseeker: An Empirical Driven Graph-based Approach for Detecting Silent Vulnerability Fixes in Open Source Software
针对静默漏洞修复检测问题，提出基于图的Fixseeker方法，利用hunk间相关性建模修复模式，在多种语言上优于现有方法，F1达0.8404。
2025-03-26 cs.SE
The Distributed Open-Source Vulnerability Ecosystem
Munich University of Applied Sciences（慕尼黑应用科学大学）；Findustrial GmbH（Findustrial有限公司）
研究软件供应链安全中漏洞识别问题，提出将漏洞管理视为信息交换与转换分布式过程的概念框架，追踪漏洞信息流程，分析扫描器结果不一致原因，探讨对相关方面的影响。
2026-07-17 cs.CR cs.SE
Data and Context Matter: Towards Generalizing AI-based Software Vulnerability Detection
School of Electrical Engineering and Computer Science, National University of Sciences and Technology（电气工程与计算机科学学院，国立科学与技术大学）
本研究提出VulGate高质量数据集，通过实验证明数据质量与编码器模型选择能显著提升AI漏洞检测的泛化能力，在BigVul上召回率提升6.8%。
2025-10-06 cs.AI cs.CR cs.SE
A Sentence-Level Approach to Understanding Software Vulnerability Fixes
本文提出由VulnExtract与VulnTrace组成的端到端句子级追溯方法，将漏洞相关自然语言句子映射到代码语句，实验证明其可有效支持自动化漏洞理解。
2025-03-13 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
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
Sharing of vulnerability information among companies -- a survey of Swedish companies
软件产品很少从头开始开发，这些产品中的漏洞可能存在于开源软件或由另一组织提供的部分中。因此，产品的整体网络安全通常取决于几个组织之间的合作，无论是明示的还是暗示的。我们研究了软件生态系统中的公司对共享漏洞信息的态度和做法。此外，我们将这些做法与当代网络安全建议进行了比较。这是通过一项基于调查的定性调查进行的。问卷分为两部分：供应商的角度和收购方的角度。结果表明，公司愿意相互分享有关漏洞的信息。尽管大多数受访者认为漏洞信息敏感，但共享并不被认为对网络安全或业务有害。然而，尽管这些公司对共享持开放态度，但它们不太愿意主动共享漏洞信息。此外，供应商没有意识到客户对漏洞信息有很大的兴趣。因此，公司对共享漏洞信息的总体态度是被动但开放的。相比之下，当代网络安全指南建议生态系统中的参与者积极披露和共享。
2019-06-11 cs.SE
SVA-ICL: Improving LLM-based Software Vulnerability Assessment via In-Context Learning and Information Fusion
SVA-ICL通过上下文学习和信息融合（结合源代码与漏洞描述）选择高质量示例来增强LLM性能，在包含12,071个C/C++漏洞的数据集上，其准确率、F1分数和MCC指标均优于现有最先进的SVA基线。
2025-05-28 cs.SE
Leveraging Self-Paced Learning for Software Vulnerability Detection
针对深度学习检测软件漏洞因训练数据质量低导致准确率有限的问题，提出SPLVD方法，通过动态选择从易到难的源代码训练，在三个基准数据集F1值优于最优方法，在OpenHarmony项目精确率达90.9%。
2025-11-12 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
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
SAFE: Advancing Large Language Models in Leveraging Semantic and Syntactic Relationships for Software Vulnerability Detection
本文提出SAFE框架，通过增强大型语言模型对源代码语义与句法关系的学习利用，提升真实复杂数据集上的软件漏洞检测性能。
2024-09-02 cs.SE
