Multi-Agent Taint Specification Extraction for Vulnerability Detection
North Carolina State University(北卡罗来纳州立大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校);Boston University(波士顿大学)
SemTaint通过结合LLM语义理解和传统静态分析,提取定制化的污点规范以提升漏洞检测效果
2026-01-15 cs.CR cs.SE
VulWeaver: Weaving Broken Semantics for Grounded Vulnerability Detection
Huawei Technologies Co., Ltd.(华为技术有限公司)
VulWeaver通过整合确定性规则与LLM语义推理构建增强依赖图,提取完整漏洞上下文,利用元提示和专家指南提升LLM推理能力,实验显示其在PrimeVul4J数据集上F1得分达0.75,优于现有方法。
2026-09-03 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
Comparison of Static Application Security Testing Tools and Large Language Models for Repo-level Vulnerability Detection
Singapore Management University(新加坡管理大学);Hanoi University of Science and Technology(河内理工大学);The University of Melbourne(墨尔本大学);University of Melbourne(墨尔本大学)
本文比较了15种SAST工具与12种开源LLMs在Java、C和Python仓库级漏洞检测中的表现,发现集成两者可缓解SAST低检测率与LLMs高误报率的缺点。
2024-07-23 cs.AI cs.SE
D2A: A Dataset Built for AI-Based Vulnerability Detection Methods Using Differential Analysis
IBM Research(IBM研究院)
静态分析工具被广泛用于漏洞检测,因为它们理解具有复杂行为和数百万行代码的程序。尽管静态分析工具很受欢迎,但已知它们会产生过多的误报。最近机器学习模型理解程序设计语言的能力在应用于静态分析时开辟了新的可能性。然而,现有的数据集训练模型的弱点识别遭受多重限制,如有限的错误上下文,有限的大小,合成和不切实际的源代码。我们提出了D2A,一个基于差异分析的方法来标记由静态分析工具报告的问题。D2A数据集是通过分析来自多个开源项目的版本对构建的。从每个项目中,我们选择bug修复提交,并对提交前后的版本运行静态分析。如果在提交前版本中检测到的一些问题在相应的提交后版本中消失了,那么它们很可能是真正的bug,并通过提交得到了修复。我们使用D2A生成一个大的标记数据集来训练模型进行漏洞识别。我们表明,该数据集可用于构建分类器,以识别静态分析报告的问题中可能的误报,从而帮助开发人员优先考虑和调查潜在的真阳性。
2021-02-16 cs.AI cs.LG cs.SE
LuaTaint: A Static Analysis System for Web Configuration Interface Vulnerability of Internet of Things Devices
针对物联网设备Web配置界面漏洞,提出结合静态污点分析与LLM的自动化检测系统LuaTaint,利用LLM修剪误报,在2447个固件样本中发现111个漏洞,检测精度达89.29%。
2024-11-04 cs.CR cs.SE
Agent That Debugs: Dynamic State-Guided Vulnerability Repair
本文提出程序修复智能体 VulDebugger,结合静态与动态上下文,通过调试器比较实际状态与预期状态来定位漏洞根因并完成修复,在 50 个真实项目上实现 60.00% 的修复率,显著超越现有方法。
2025-04-10 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
VERCATION: Precise Vulnerable Open-source Software Version Identification based on Static Analysis and LLM
本文提出VERCATION方法,结合程序切片与LLM识别漏洞相关代码,通过回溯历史提交并基于扩展规范化AST的代码克隆检测定位引入漏洞的提交,在识别C/C++开源软件易受攻击版本任务上F1达93.1%,并发现NVD报告中202个错误版本。
2025-08-14 cs.CR cs.SE
A Comprehensive Study on Static Application Security Testing (SAST) Tools for Android
本文提出统一平台 VulsTotal,整合 11 个开源 Android SAST 工具、67 类漏洞、标准化报告及新建 CVE 基准,从覆盖率、有效性和性能等方面系统比较工具表现。
2024-10-28 cs.SE
CommitShield: Tracking Vulnerability Introduction and Fix in Version Control Systems
本文提出 CommitShield,融合静态分析与 LLM 的代码及自然语言理解能力,利用提交描述和补丁上下文检测漏洞引入与修复,并在 CommitVulFix 等数据集上显著提升召回率和 F1 分数。
2025-01-07 cs.SE
CrossInspector: A Static Analysis Approach for Cross-Contract Vulnerability Detection
本文提出 CrossInspector 框架,通过 Transformer 恢复语义信息并构建状态依赖图进行细粒度静态分析,有效检测智能合约字节码层面的跨合约漏洞,在精确率、召回率和检测时间上均优于现有工具。
2024-08-27 cs.CR cs.SE
VulStamp: Vulnerability Assessment using Large Language Model
本文提出VulStamp框架,结合静态分析与大型语言模型提取漏洞代码意图,并采用基于强化学习的提示调优方法,实现无需人工描述的漏洞严重性评估。
2025-06-25 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
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
Static Security Vulnerability Scanning of Proprietary and Open-Source Software: An Adaptable Process with Variants and Results
Ritsumeikan University(立命馆大学)
本文提出一种经行业验证的端到端静态安全漏洞扫描流程,支持专有与开源软件的定制化配置和迭代执行,并结合 DevSecOps 工具与 AI 增强,以降低源代码漏洞和供应链风险。
2025-09-21 cs.CR cs.SE
Exploiting Library Vulnerability via Migration Based Automating Test Generation
针对第三方库漏洞影响评估难的问题,提出基于漏洞利用代码的测试生成方法VESTA,通过新增迁移步骤提升测试与漏洞利用的相似性,在30个漏洞、60组漏洞-项目对的实验中,成功率达71.7%,较基线方法TRANSFER提升53.4%。
2023-12-15 cs.SE
SecureFixAgent: A Hybrid LLM Agent for Automated Python Static Vulnerability Repair
Computer Science Department(计算机科学系);Applied Economics Department(应用经济学系)
SecureFixAgent 将 Bandit 静态分析与轻量级本地 LLM 结合,通过迭代检测-修复-验证循环和 LoRA 微调,实现低误报、高精度的自动化 Python 漏洞修复。
2025-09-18 cs.AI cs.CR cs.SE
An Empirical Study of Rule-Based and Learning-Based Approaches for Static Application Security Testing
背景:静态应用程序安全测试(SAST)工具旨在帮助开发人员检测源代码中的安全问题。这些工具通常使用基于规则的方法来扫描源代码中的安全漏洞。然而,由于这些工具的显著缺点(即,误报率高),基于学习的软件漏洞预测(SVP)方法正在成为一种流行的方法。目标:尽管这两种方法的目标相似,但它们的比较价值尚未探讨。我们提供了一个实证分析SAST工具和SVP模型,以确定其相对能力的源代码安全分析。方法:我们评估了几种常见的SAST工具和SVP模型在各种漏洞数据集上的检测和评估性能。我们进一步评估的可行性和潜在的好处相结合的两种方法。结果如下:SAST工具和SVP模型提供类似的检测功能,但SVP模型在检测和评估方面表现出更好的整体性能。由于缺乏协同作用,这两种方法很难统一。结论:我们的研究产生了12个主要发现,这些发现提供了对这两种方法的能力和协同作用的见解。通过这些观察,我们提供了使用和改进的建议。
2021-07-16 cs.SE
Argus: Reorchestrating Static Analysis via a Multi-Agent Ensemble for Full-Chain Security Vulnerability Detection
The Hong Kong Polytechnic University(香港理工大学);HKUST(香港科技大学);SF Express(顺丰速运);Great Bay University(大湾区大学)
Argus通过多智能体框架提升静态分析效率,结合RAG和ReAct技术减少漏洞误报,发现更多真实漏洞并降低运营成本。
2026-04-08 cs.CL cs.CR cs.SE
FusionVul: A Multimodal Feature Fusion Framework for Source Code Vulnerability Detection
Civil Aviation University of China(中国民航大学);University of Aizu(会津大学);University of Wollongong(伍伦贡大学)
提出FusionVul框架,融合Transformer和GNN分别提取序列语法与结构语义,通过交叉注意力融合网络和样本感知加权机制,在SVulD等数据集上取得更优F1分数,有效捕获复杂多样的漏洞模式。
2026-06-07 cs.SE
ConsiDroid: A Concolic-based Tool for Detecting SQL Injection Vulnerability in Android Apps
在本文中,我们提出了一个concolic执行技术,用于检测Android应用程序中的SQL注入漏洞,我们称之为ConsiDroid的新工具。我们使用mocking技术扩展应用程序的源代码,这样原始源代码的执行不受影响。扩展的源代码可以被视为Java应用程序,并且可以由SPF以concolic执行来执行。我们自动地从静态分析中生成一个DummyMain类,以便按顺序调用基本函数,并触发导致易受攻击函数的事件。我们在ConsiDroid中使用污点分析扩展SPF。为了使污点分析成为可能,我们引入了一种新的符号模拟类技术,以减轻污染值在代码中的传播。SQL注入漏洞是通过接收易受攻击的函数的污染值来检测的。此外,ConsiDroid还利用静态分析来调整SPF,以便只检查可疑路径。为了说明ConsiDroid的适用性,我们从F-Droid存储库中随机选择了140个应用程序。从这些应用程序中,我们发现了三个容易受到SQL注入攻击的应用程序。为了验证它们的漏洞,我们使用Robolectric根据ConsiDroid的报告手动分析了这些应用程序。
2019-08-08 cs.CR cs.SE
Can An Old Fashioned Feature Extraction and A Light-weight Model Improve Vulnerability Type Identification Performance?
本研究针对漏洞类型识别问题,提出一种基于传统TF-IDF基线方法并引入轻量级独立组件以优化预测的方案,在保持高效率的同时性能优于深度预训练模型,并能显著提升神经网络方法的宏平均F1分数。
2023-06-26 cs.SE
LLM-based Vulnerability Detection at Project Scale: An Empirical Study
School of Computer Software, College of Intelligence and Computing, Tianjin University(天津大学计算机科学与技术学院);International Joint Institute of Tianjin University(天津大学国际联合学院);Key Laboratory of High Confidence Software Technologies (Peking University), Ministry of Education, School of Computer Science, Peking University(北京大学计算机科学学院,教育部高可信软件技术重点实验室)
本文研究了基于LLM的项目级漏洞检测方法,发现其在召回率低的情况下仍能发现更多漏洞,但存在高误报率和计算成本问题。
2026-09-28 cs.SE
FaultLine: Automated Proof-of-Vulnerability Generation Using LLM Agents
FaultLine通过分层推理驱动的LLM智能体工作流,自动追踪漏洞数据流并生成PoV测试,在100个多语言漏洞数据集上相比CodeAct 2.1实现77%的相对改进。
2025-07-21 cs.SE
Demystifying the Vulnerability Propagation and Its Evolution via Dependency Trees in the NPM Ecosystem
具有丰富功能的第三方库促进了Node.js软件的快速开发,但也带来了新的安全威胁,即可能通过依赖关系引入漏洞。特别是,这些威胁可能会被传递依赖性过度放大。现有的研究要么考虑直接依赖,要么基于可达性分析推理传递依赖,忽略了NPM特定的依赖解决规则,导致错误解决的依赖。因此,进一步的细粒度分析,如脆弱性传播及其在依赖关系中的演变,无法大规模精确地进行,也无法为依赖关系中的脆弱性得出全生态系统的解决方案。为了填补这一空白,我们提出了一种基于知识图谱的依赖关系解析,它将依赖关系的依赖关系解析为树(即,依赖关系树),并调查了大规模依赖关系树中漏洞的安全威胁。我们首先构建了一个完整的依赖-脆弱性知识图谱(DVGraph),它捕获了整个NPM生态系统(超过1000万个库版本和6000万个良好解析的依赖关系)。在此基础上,我们提出DTResolver静态和精确地解决依赖树,以及传递的漏洞传播路径,通过考虑官方的依赖解决规则。在此基础上,我们对依赖树中的脆弱性传播及其演变进行了全生态系统的实证研究。我们的研究揭示了许多有用的发现,我们进一步讨论了不同利益相关者减轻NPM脆弱性影响的经验教训和解决方案。例如,我们为NPM包实现了一个基于依赖树的漏洞修复方法(DTReme),并且获得了比官方工具(npm审计修复)更好的性能。
2022-02-09 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
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
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
Static Application Security Testing (SAST) Tools for Smart Contracts: How Far Are We?
本文提出包含45种漏洞类型的细粒度智能合约漏洞分类体系,并构建覆盖40种类型、含788个文件和10,394个漏洞的基准,评估8种SAST工具后发现其漏报约50%、精确率不足10%,同时揭示多工具组合可降低漏报但增加误报,为工具改进与选择提供指导。
2024-06-29 cs.SE
An Extensive Comparison of Static Application Security Testing Tools
本研究通过150万次测试执行,对静态应用安全测试工具进行全面评估,发现其精确率高但召回率低,建议改进重点应放在提升召回率和扩大漏洞检测类型上。
2024-03-14 cs.CR cs.CY cs.SE
LLMVul: A Vulnerability-Labeled Dataset of LLM-Generated C/C++ Functions from Real Production Repositories
School of Computing \& Informatics \ of Louisiana at Lafayette Lafayette LA USA;School of Computing \& Informatics \ of Louisiana at Lafayette
LLMVul从真实生产仓库中挖掘并标注了21,430个LLM生成的C/C++函数,识别出1,540个易受攻击函数,涵盖17个CWE类别,为漏洞检测和安全评估提供了大规模真实数据。
2026-09-11 cs.SE
TRACED: Execution-aware Pre-training for Source Code
针对静态预训练代码模型难以捕捉动态程序属性的问题,提出结合执行轨迹的执行感知预训练策略TRACED,在多个代码理解任务上显著优于静态预训练模型。
2023-06-13 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
CveBinarySheet: A Comprehensive Pre-built Binaries Database for IoT Vulnerability Analysis
针对物联网等环境中漏洞数据集稀缺的问题,构建了包含1033条CVE、16个组件和5种架构的预编译二进制数据库,支持两种优化级别,以促进二进制漏洞分析工具的发展。
2025-01-15 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
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
ActiveClean: Generating Line-Level Vulnerability Data via Active Learning
Iowa State University(爱荷华州立大学)
本文提出 ActiveClean,利用主动学习从代码提交中自动生成大规模行级漏洞数据,并在 Java 和 C 数据集上验证其有效性,清洗后的数据显著提升了 LineVul 的漏洞检测性能。
2023-12-04 cs.LG 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
The Hitchhiker's Guide to Program Analysis, Part II: Deep Thoughts by LLMs
UC Riverside(UC河滨分校);Indiana University(印第安纳大学);University of Chicago(芝加哥大学)
针对传统静态分析在大型代码库中误报率高的问题,提出基于LLM的后处理优化框架BugLens,通过结构化推理验证约束,将Linux内核漏洞检测精度提升约7倍并发现4个新漏洞。
2025-05-31 cs.AI 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
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
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
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
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
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
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
SAGA: Detecting Security Vulnerabilities Using Static Aspect Analysis
提出SAGA方法,通过符号控制流图和领域特定语言定义静态切面,检测Python代码中的多种安全漏洞,在108个漏洞数据集上达到100%敏感度和99.15%特异度。
2026-07-02 cs.CR cs.SE
AutoSafeCoder: A Multi-Agent Framework for Securing LLM Code Generation through Static Analysis and Fuzz Testing
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);University of Amsterdam(阿姆斯特丹大学);Florida International University(佛罗里达国际大学)
AutoSafeCoder提出多智能体框架,通过编码、静态分析和模糊测试智能体协作,在代码生成中迭代集成动态与静态测试,使漏洞减少13%且不影响功能。
2024-11-05 cs.AI cs.SE
Automated Vulnerability Injection in Smart Contracts Using Large Language Models
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学);Gran Sasso Science Institute (GSSI)(格兰萨索科学研究所);University of Coimbra(科英布拉大学);College of Computing and Informatics, University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校计算与信息学院)
研究针对智能合约漏洞检测数据集稀缺问题,提出用大语言模型自动注入漏洞的方法,生成32个有效漏洞合约,评估了静态分析器并验证了该方法的可行性与局限性。
2026-09-03 cs.AI 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
AndroScanner: Automated Backend Vulnerability Detection for Android Applications
Georgia Institute of Technology(佐治亚理工学院)
本文提出AndroScanner,通过静态与动态分析结合的方法,检测Android应用后端漏洞,发现5个漏洞,包括一个未报告的零日漏洞。
2026-04-15 cs.CR cs.NI cs.SE
Harnessing the Power of LLMs in Source Code Vulnerability Detection
AIVault Inc.(AIVault公司)
本文提出将源代码转换为LLVM IR并在其上训练大语言模型,以实现跨编程语言的通用漏洞检测,在NVD和SARD数据集上验证了高准确性。
2024-08-07 cs.AI cs.CR cs.SE
Vulnerability Mimicking Mutants
随着在大型代码语料库上训练的强大语言模型的不断发布(例如CodeBERT在640万个程序上训练),一个新的突变测试工具家族已经出现,并有望生成更多“自然”的突变体,因为突变代码旨在遵循程序员通常产生的隐式规则和编码约定。在本文中,我们研究在何种程度上的突变产生的语言模型可以语义模仿可观察的行为的安全相关的漏洞(a.k.a.)。漏洞模仿突变体),这样设计的测试用例,这些突变体失败将有助于解决模仿的漏洞。由于分析和运行突变体在计算上是昂贵的,因此在任何分析或测试执行之前优先考虑那些更可能是漏洞模仿的突变体是很重要的。考虑到这一点,我们引入VMMS,一个基于机器学习的方法,自动提取突变体的功能,并预测那些模仿漏洞。我们在45个漏洞的数据集上进行了实验,发现16.6%的突变体在一个或多个测试中失败,而88.9%的相应漏洞失败。更准确地说,整个突变体集中有3.9%的突变体是模仿脆弱性的突变体,它们模仿了55.6%的脆弱性。尽管稀缺,VMMS预测具有0.63 MCC,0.80精度和0.51召回的可重复性模仿突变体,表明可重复性模仿突变体的特征可以通过机器学习模型自动学习以静态地预测这些,而不需要在定义这些特征方面投入精力。
2023-03-07 cs.CR cs.SE