SAFE: Advancing Large Language Models in Leveraging Semantic and Syntactic Relationships for Software Vulnerability Detection
Monash University(莫纳什大学);CSIRO's Data61(澳大利亚联邦科学与工业研究组织数据61);Melbourne University(墨尔本大学)
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
Optimizing Code Embeddings and ML Classifiers for Python Source Code Vulnerability Detection
University of Passau(帕绍大学)
本研究针对Python源代码漏洞检测,评估了Word2Vec、CodeBERT和GraphCodeBERT三种代码嵌入与BiLSTM、CNN两种分类器的组合,发现Word2Vec与BiLSTM组合表现最优,强调了嵌入与分类器合理搭配对提升检测有效性的关键作用。
2025-09-16 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
Leveraging GPT-4 for Vulnerability-Witnessing Unit Test Generation
University of Szeged(塞格德大学);FrontEndART Software Ltd.(FrontEndART软件有限公司)
本研究探究GPT-4基于漏洞修复前后代码生成漏洞见证单元测试的能力,发现其语法正确率达66.5%,生成的测试模板经少量人工调整即可使用,可在半自动化测试流程中发挥重要作用。
2025-06-13 cs.AI cs.SE
Context-Enhanced Vulnerability Detection Based on Large Language Model
本文提出一种结合程序分析与大语言模型的上下文增强漏洞检测方法,通过多级抽象提取上下文信息,平衡细节与复杂度,实验表明该方法显著提升检测效果。
2025-04-23 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
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
SAEL: Leveraging Large Language Models with Adaptive Mixture-of-Experts for Smart Contract Vulnerability Detection
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所计算机科学技术国家重点实验室)
针对现有智能合约漏洞检测方法的局限,提出基于大语言模型的SAEL框架,结合自适应混合专家架构融合多类特征,在多种漏洞检测任务上性能优于现有方法。
2025-07-30 cs.AI cs.CR cs.SE
Deep Learning based Vulnerability Detection: Are We There Yet?
软件漏洞的自动检测是软件安全中的一个基本问题。现有的程序分析技术遭受高的假阳性或假阴性。深度学习(DL)的最新进展导致人们对将DL应用于自动漏洞检测的兴趣激增。最近的几项研究表明,在检测漏洞方面,准确率高达95%。在本文中,我们问,“如何以及国家的最先进的DL为基础的技术在现实世界中的脆弱性预测的情况下执行?".令我们惊讶的是,我们发现他们的表现下降了50%以上。对导致这种急剧性能下降的原因的系统调查揭示了现有的基于DL的脆弱性预测方法受到训练数据的挑战(例如,数据重复,脆弱类别的分布不切实际等)并且利用模型选择(例如,简单的基于令牌的模型)。因此,这些方法通常不会学习与漏洞的实际原因相关的特征。相反,它们从数据集中学习不相关的工件(例如,具体的变量/函数名称等)。利用这些实证研究结果,我们展示了一个更有原则的方法,数据汇集和模型设计,基于现实的设置脆弱性预测,可以导致更好的解决方案。由此产生的工具的性能显着优于研究的基线:与文献中表现最好的模型相比,准确率提高了33.57%,召回率提高了128.38%。总体而言,本文阐述了现有的基于DL的漏洞预测系统的潜在问题,并绘制了未来的基于DL的漏洞预测研究的路线图。本着这种精神,我们提供了所有支持我们结果的工件:https://git.io/Jf6IA。
2020-09-03 cs.SE
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
Automated Vulnerability Injection in Solidity Smart Contracts: A Mutation-Based Approach for Benchmark Development
本研究提出基于突变注入的MuSe工具,自动向Solidity智能合约注入六种漏洞以生成基准,并用Slither验证,发现注入率因漏洞而异且静态分析工具检测不全,凸显了改进检测评估的需求。
2025-04-22 cs.SE
An empirical analysis of vulnerability detection tools for solidity smart contracts
本文通过实证评估分析了针对Solidity智能合约的自动化漏洞分析工具,利用SmartBugs 2.0框架和手动标注的2182个实例数据集,评估了不同工具在检测各类漏洞上的有效性,并展示了结合多种检测方法能提高漏洞识别的准确性。
2026-05-18 cs.SE
Improving vulnerability type prediction and line-level detection via adversarial training-based data augmentation and multi-task learning
本文提出将嵌入层驱动的对抗训练(EDAT)与多任务学习(MTL)相结合的统一方法,有效解决了漏洞类型预测和行级检测中数据稀缺与类别不平衡问题,显著提升了检测性能并降低了假阳性。
2025-06-30 cs.SE
SPVR: syntax-to-prompt vulnerability repair based on large language models
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Hong Kong University of Science and Technology(香港科技大学);The Chinese University of Hong Kong(香港中文大学);Chinese Academy of Sciences(中国科学院)
SPVR通过语法分析生成针对性提示,提升大语言模型修复漏洞的准确性。
2025-12-22 cs.SE
Domain-constrained Synthesis of Inconsistent Key Aspects in Textual Vulnerability Descriptions
Tianjin University(天津大学);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61);Jiangxi Normal University(江西师范大学)
本文提出一种领域约束的LLM框架,用于统一文本漏洞描述中的关键要素,通过提取、自我评估和融合三个阶段提升合成性能和理解效率。
2025-11-20 cs.SE
Leveraging Team Dynamics to Predict Open-source Software Projects' Susceptibility to Social Engineering Attacks
开源软件是软件供应链的重要组成部分。最近针对OSS开发团队的社会工程攻击使攻击者能够成为代码贡献者,然后将恶意代码或漏洞注入到项目中,目的是损害依赖软件。攻击者利用开发团队成员之间的互动和团队行为的社会动态来实现他们的攻击。我们引入了一种安全方法,利用团队动态的签名和模式来预测软件开发团队对社会工程攻击的敏感性,这些攻击可以访问OSS项目代码。所提出的方法是程序设计语言,平台,和兼容性无关的,因为它评估的OSS团队的互动,而不是OSS代码的工件。
2021-07-02 cs.SE
Code2Image: Intelligent Code Analysis by Computer Vision Techniques and Application to Vulnerability Prediction
Arcelik Research(阿尔切利克研究院)
近年来,随着机器学习(ML)领域的显著进步,智能代码分析受到越来越多的关注。为此目的利用ML的一个主要挑战是以ML算法可以接受的有用形式表示源代码。在这项研究中,我们提出了一种新的方法来表示源代码的图像,同时保留语义和语法属性,这铺平了道路,利用计算机视觉技术用于代码分析。实际上,该方法使得可以直接将源代码的所得图像表示作为输入输入到深度学习(DL)算法中,而不需要任何进一步的数据预处理或特征提取步骤。我们通过在包含大量真实源代码样本的公共数据集上实现漏洞预测用例,并与最先进的解决方案进行性能评估,证明了我们的方法的可行性和有效性。我们的实现是公开的。
2021-05-07 cs.CR cs.LG cs.PL
Three Heads Are Better Than One: A Multi-perspective Reasoning Framework for Enhanced Vulnerability Detection
National University of Defense Technology(国防科技大学)
本文提出ReasonVul,一种多视角推理框架,通过三个专门的LLM代理的认知协同,提高漏洞检测的准确性和全面性,其在PrimeVul数据集上实现了40.00%的PairAcc和72.52%的F1分数,优于现有基线方法。
2026-05-18 cs.SE
A Systematic Study on Generating Web Vulnerability Proof-of-Concepts Using Large Language Models
Tianjin University(天津大学);Nanyang Technological University(南洋理工大学);Nankai University(南开大学)
本文首次系统研究了利用大型语言模型结合公开披露信息生成Web漏洞概念证明(PoC)的可行性,发现补充代码上下文与自适应推理策略能将成功率最高提升至72%。
2025-10-11 cs.SE
Drop it All or Pick it Up? How Developers Responded to the Log4JShell Vulnerability
通过分析 53 个受 Log4JShell 影响的 Maven 项目的 219 个 PR 和 354 个 issue,发现开发者虽在 5-6 天内快速响应,但并未放下其他工作,反而整体活动增加,且讨论中信息提供与寻求占主导,为漏洞修复最佳实践提供了新见解。
2024-07-05 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
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
TPSQLi: Test Prioritization for SQL Injection Vulnerability Detection in Web Applications
National Taiwan University(台湾大学);CyberLink Corporation(网路家庭资讯事业股份有限公司);National Yang Ming Chiao Tung University(国立阳明交通大学);National Dong Hwa University(国立东华大学)
本文提出了一种针对Web应用SQL注入漏洞的新型测试优先级排序方法TPSQLi,通过利用先前的测试结果动态调整后续测试的防御强度向量,优化测试工作流程,从而有效提升了漏洞检测与缓解的效率。
2025-09-13 cs.CR cs.SE
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
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
LLM-based Vulnerability Discovery through the Lens of Code Metrics
BIFOLD & TU Berlin(柏林大数据与学习中心及柏林工业大学)
该研究通过代码度量视角分析LLMs漏洞发现停滞的原因,发现仅用代码度量训练的分类器即可达到与最先进LLMs相当的性能,并揭示LLMs预测与代码度量间存在强相关及因果效应,据此提出改进研究方向。
2025-09-23 cs.CR cs.LG cs.SE
Benchmarking Large Language Models for Multi-Language Software Vulnerability Detection
针对LLMs在多语言软件漏洞检测中缺乏全面评估的问题,本文构建了包含Python、Java和JavaScript的大规模数据集,通过多种方法评估LLMs并探索数据与模型视角的改进策略,揭示了SVD任务的挑战性。
2025-03-03 cs.SE
Advanced Vulnerability Scanning for Open Source Software: Detection and Mitigation of Log4j Vulnerabilities
University of Montana(蒙大拿大学)
本研究开发了高级Log4j扫描工具,通过自动化扫描和持续监控,提高漏洞检测准确性,减少误报,提升开源软件安全性。
2026-01-01 cs.SE
Exploring ChatGPT's Capabilities on Vulnerability Management
Zhejiang University(浙江大学);Zhejiang University NGICS Platform(浙江大学NGICS平台);Hangzhou Dianzi University(杭州电子科技大学);University of Minnesota(明尼苏达大学);Jianghuai Advance Technology Center(江淮先进技术中心);Ant Group(蚂蚁集团)
该研究基于70346样本的大规模数据集,探究ChatGPT在6项漏洞管理全流程任务中的能力,对比其与SOTA方法的表现,分析提示词影响与现存难点,指明自启发式应用等未来研究方向。
2024-06-20 cs.AI cs.CL cs.CR
Towards Scalable and Cost-Efficient Vulnerability Detection: A Study on Automatic Query Generation
Singapore Management University(新加坡管理大学);Monash University(蒙纳士大学);University of Sydney(悉尼大学)
本研究利用国家漏洞数据库数据,实证评估大型语言模型自动生成CodeQL查询的能力,结果显示其显著提升基线查询,平均F1分数提高82%,并证明该方法是大规模漏洞检测中可扩展且成本高效的替代方案。
2026-09-10 cs.CR 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
Automated Vulnerability Detection Using Deep Learning Technique
National Taiwan University(国立台湾大学);National Yang Ming Chiao Tung University(阳明交通大学)
本文提出结合 CodeBERT 向量表示与 LSTM 的深度学习方法,用于自动检测 Python 代码中的 SQL 注入漏洞,性能优于现有 SAST 工具。
2024-10-29 cs.AI cs.CR cs.SE
DLAP: A Deep Learning Augmented Large Language Model Prompting Framework for Software Vulnerability Detection
针对深度学习模型泛化性差、缺乏可解释性以及大语言模型漏洞检测性能不足的问题,本文提出DLAP框架,融合两者优势,实验证明其在多个指标上优于现有提示与微调方法。
2024-05-02 cs.CR cs.SE
When Verified Source Becomes Attack Input: Defending Smart Contracts Against LLM-Based Vulnerability Scanning
The Hong Kong University of Science and Technology(香港科技大学);Sun Yat-sen University(中山大学)
本文提出DeLLMGuard框架,通过分离源码与运行时执行并验证相关信息,在保留公开源码披露和授权审计的同时,降低LLM智能体对智能合约漏洞扫描的准确性,防御恶意扫描。
2026-08-31 cs.CR cs.SE
Solidity Meets LLMs: A Transformer-Based Approach to Smart Contract Vulnerability Detection
University of Oum El Bouaghi(乌姆布阿格大学);Laval University(拉瓦尔大学)
本文提出基于 Transformer 的智能合约漏洞检测方法,利用预训练 LLM 微调 BERT 模型,在 Solidity 代码片段上实现 92% 的 F1 分数,有效增强合约安全性。
2026-09-24 cs.CR cs.SE
Vulnerability Detection with Interprocedural Context in Multiple Languages: Assessing Effectiveness and Cost of Modern LLMs
North Carolina State University(北卡罗来纳州立大学);Federal University of Alagoas(阿拉戈斯联邦大学)
本文研究了多语言交叉过程依赖漏洞检测中四种现代LLM的有效性、推理成本及解释质量,发现Gemini 3 Flash在C语言中具有最佳成本效益,Claude Haiku 4.5在93.6%的案例中正确识别并解释漏洞。
2026-04-09 cs.CR cs.SE
On the Use of Fine-grained Vulnerable Code Statements for Software Vulnerability Assessment Models
The University of Adelaide(阿德莱德大学);Cyber Security Cooperative Research Centre(网络安全合作研究中心)
许多研究已经开发了机器学习(ML)方法来检测函数中的软件漏洞(SV)和导致此类SV的细粒度代码语句。然而,利用这些检测输出进行数据驱动的SV评估以提供有关SV的可利用性、影响和严重性的信息的工作很少。这些信息对于了解SV并确定其修复的优先级非常重要。使用来自200个真实项目中429个SV的1,782个功能的大规模数据,我们研究了用于自动化功能级SV评估任务的ML模型,即,预测七个通用漏洞评分系统(CVSS)指标。我们特别研究的价值和使用的脆弱的报表作为输入开发的评估模型,因为SV的功能起源于这些报表。我们发现,脆弱的报表是5.8倍小的大小,但表现出7.5-114.5%的评估性能(马修斯相关系数(MCC))比非脆弱的报表。消除易受攻击语句的上下文进一步提高了性能,最高可达8.9%(0.64 MCC和0.75 F1-Score)。总的来说,我们提供了初步的但有前途的ML为基础的基线功能级SV评估,铺平了道路,在这个方向上的进一步研究。
2022-03-16 cs.CR cs.LG cs.SE
Assessing the Cross-Version Applicability of Java Library Vulnerability Exploits
The State Key Laboratory of Blockchain and Data Security, Zhejiang University(浙江大学区块链与数据安全国家重点实验室);Queen’s University(女王大学)
本文通过大规模实证研究探讨披露的Java库漏洞利用在不同版本间的泛化能力,构建包含259个漏洞利用的数据库,验证漏洞利用在不同版本间的适用性,并提出10种迁移策略以提升召回率。
2026-07-31 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
Can LLM Prompting Serve as a Proxy for Static Analysis in Vulnerability Detection
Columbia University(哥伦比亚大学);Amherst College(阿默斯特学院)
本研究探讨在部分代码设置下,LLM提示能否替代静态分析进行漏洞检测,提出结合自然语言指令与对比思维链的提示策略,利用DeepSeek-R1等模型显著提升了准确率与F1分数并降低了假阴性率。
2025-09-11 cs.AI cs.CL cs.CR
Large Language Models Cannot Reliably Detect Vulnerabilities in JavaScript: The First Systematic Benchmark and Evaluation
Lanzhou University(兰州大学);Zhejiang University(浙江大学);Beihang University(北京航空航天大学);Technology Support Center of the Cyberspace Administration of China(国家互联网信息办公室技术支撑中心);Fudan University(复旦大学);Beijing University of Posts(北京邮电大学)
本文首次提出FORGEJS框架,构建首个系统性JavaScript漏洞检测基准ARENAJS,并揭示LLM在漏洞检测中的局限性。
2025-12-01 cs.CL cs.CR cs.SE
Smart-LLaMA-DPO: Reinforced Large Language Model for Explainable Smart Contract Vulnerability Detection
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);Sinosoft Company Limited(软通公司)
针对智能合约漏洞检测中数据集覆盖不足和LLM解释不准的问题,提出基于LLaMA-3.1-8B的Smart-LLaMA-DPO,结合CPT、SFT和DPO,在F1和准确率上分别提升10.43%和7.87%,生成更准确的解释。
2025-06-23 cs.AI cs.CR cs.SE
Did You Forkget It? Detecting One-Day Vulnerabilities in Open-source ForksWith Global History Analysis
University of Rennes(雷恩大学);Inria(法国国家信息与自动化研究所)
本文提出一种全球历史分析方法,用于检测开源fork中的单日漏洞,通过传播漏洞信息和自动化影响分析,发现135个高严重性漏洞。
2026-10-08 cs.CR cs.SE
Vulnerability Detection: From Formal Verification to Large Language Models and Hybrid Approaches: A Comprehensive Overview
Eötvös Loránd University (ELTE)(厄特沃什·罗兰大学(ELTE));Technology Innovation Institute (TII)(技术创新研究院(TII));University of Oslo(奥斯陆大学);Cyentific AS(赛恩蒂菲克公司);Guelma University(盖勒马大学);The University of Manchester(曼彻斯特大学);Federal University of Amazonas(亚马逊联邦大学)
本文综述软件漏洞检测中的经典形式化方法、基于 LLM 的分析及混合技术,探讨结合形式化保证与大模型洞见以提升验证有效性和可扩展性。
2025-03-13 cs.AI cs.SE
Are Latent Vulnerabilities Hidden Gems for Software Vulnerability Prediction? An Empirical Study
The University of Adelaide(阿德莱德大学);Monash University(莫纳什大学)
本文通过大规模实证研究揭示数据集中被忽视的潜在软件漏洞,发现其虽含约6%噪声,但可使漏洞数量增加4倍,并显著提升函数级和代码行级漏洞预测性能。
2024-01-20 cs.CR cs.LG cs.SE
Retrieval-Augmented Few-Shot Prompting Versus Fine-Tuning for Code Vulnerability Detection
Electrical and Computer Engineering(电气与计算机工程);American University of Beirut(贝鲁特美国大学)
本研究比较了检索增强的少样本提示与微调方法在代码漏洞检测中的性能,发现检索增强提示在效率和效果上均优于微调方法。
2025-11-28 cs.AI cs.CL cs.CR
Understanding the Effectiveness of Large Language Models in Detecting Security Vulnerabilities
本文通过评估16个预训练LLMs在5个安全数据集、5,000个代码样本上的表现,系统研究了LLMs检测安全漏洞的有效性,发现其平均准确率为62.8%,在过程内漏洞上优于CodeQL,并证明逐步分析提示可显著提升性能。
2024-10-23 cs.CR cs.PL cs.SE
Bringing Order Amidst Chaos: On the Role of Artificial Intelligence in Secure Software Engineering
本文通过实证评估SASTT、数据集与即时建模等方法,揭示安全软件工程中漏洞预测的工具局限和上下文重要性,以提升AI缺陷预测效果。
2025-01-09 cs.AI cs.CL cs.CR
A New Era in Software Security: Towards Self-Healing Software via Large Language Models and Formal Verification
Technology Innovation Institute (TII)(技术创新研究所(TII));University of Manchester(曼彻斯特大学)
本文提出ESBMC-AI框架,将大语言模型与有界模型检测相结合,自动检测并修复C程序中的缓冲区溢出、算术溢出等漏洞,并在50,000个C程序上验证了其高精度修复能力。
2024-06-27 cs.AI cs.FL cs.LG