VulBinLLM: LLM-powered Vulnerability Detection for Stripped Binaries
本文提出 Vul-BinLLM 框架,通过结合反编译优化、扩展上下文记忆、上下文学习与思维链提示,有效检测剥离二进制文件中的漏洞,并在 Juliet 数据集上达到最先进性能。
2025-05-28 cs.CR
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
RoBin: Facilitating the Reproduction of Configuration-Related Vulnerability
漏洞再现为调试软件故障铺平了道路,这需要大量的人工努力。然而,一些关键因素(例如,软件配置、触发方法)经常丢失,因此我们无法在不进行额外尝试的情况下直接再现故障。更糟糕的是,程序的高度定制的配置选项为复制仅在某些特定配置组合下出现的漏洞创建了障碍。在本文中,我们解决了上述问题-再现配置相关的漏洞。我们试图解决这个问题,提出了一个基于二进制相似性的方法来推断具体的建筑配置,通过二进制崩溃报告。主要的挑战如下:精确的编译选项推断,程序配置推断,和源代码到二进制匹配。为了实现这一目标,我们实现了RoBin,一个基于二进制相似性的建筑配置推理工具。为了证明其有效性,我们在4个著名的开源源程序上对21个脆弱案例进行了测试。它显示出很强的能力,在查明造成脆弱性的建筑物配置。其结果可以帮助开发人员再现和诊断漏洞,并最终修补程序。
2021-10-25 cs.CR
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
Semantic Learning and Emulation Based Cross-platform Binary Vulnerability Seeker
克隆检测被广泛用于软件漏洞搜索。基于源代码分析的方法不能应用于二进制克隆检测,因为相同的源代码可以产生显著不同的二进制文件。在本文中,我们提出了BinSeeker,一个跨平台的二进制搜索器,集成了语义学习和仿真。在标记语义流图的帮助下,BinSeeker可以快速地从目标二进制文件中识别出与漏洞最相似的M个候选函数。M的值相对较大,因此该语义学习过程基本上消除了那些不太可能具有漏洞的函数。然后,对这M个候选者进行语义仿真,得到它们的动态签名序列。通过比较签名序列,BinSeeker产生了表现出与漏洞行为最相似的前N个函数。通过语义学习的快速过滤和语义仿真的准确比较,BinSeeker可以精确地查找漏洞,开销很小。在六个广泛使用的程序上进行的实验表明,BinSeeker的性能优于三个最先进的工具Genius,Gemini和CACompare。关于搜索精度,BinSeeker在目标程序中实现了0.65的MRR值,而Genius、Gemini和CACompare的MRR值分别为0.17、0.07和0.42。如果我们将目标漏洞排在前5位的功能视为准确,BinSeeker的准确率为93.33%,而其他三个工具的准确率分别仅为33.33%,13.33%和53.33%。这样的准确度平均达到0.27秒,以确定目标二进制函数是否包含已知漏洞,其他三种工具的时间分别为1.57秒,0.15秒和0.98秒。
2022-11-10 cs.CR cs.SE
When Machine Learning Meets Vulnerability Discovery: Challenges and Lessons Learned
本文分析了机器学习用于漏洞发现在数据集统计、训练对象和模型粒度等方面的挑战,并结合Bin2vec与BinHunter的研究经验,为未来研究提供改进方向。
2025-08-20 cs.CR
Poster: Machine Learning for Vulnerability Detection as Target Oracle in Automated Fuzz Driver Generation
提出一种自动化模糊测试驱动生成工作流,利用机器学习漏洞检测模型作为目标预言机识别潜在漏洞函数,并自动生成驱动进行模糊测试以验证漏洞,在 libgd 现有漏洞上展示了该方法。
2025-05-02 cs.CR
Vulnerability Detection in Smart Contracts: A Comprehensive Survey
University of Sydney(悉尼大学);University of New South Wales(新南威尔士大学)
该综述分析了2018-2023年88篇相关文献,探究机器学习在智能合约漏洞检测中的应用,发现经典机器学习优于静态工具,多模型与混合模型性能更优,并指出了未来研究方向。
2024-07-08 cs.CR cs.LG
Predicting Vulnerability to Malware Using Machine Learning Models: A Study on Microsoft Windows Machines
Atraco(阿特拉科公司);Concordia University(康考迪亚大学)
本研究基于 Microsoft Windows Defender 的大规模真实数据集,利用机器学习算法与特征工程开发预测模型,以准确预测计算机的恶意软件易感性,为企业环境提供主动防御策略。
2025-01-27 cs.CR cs.LG
Unsupervised Binary Code Translation with Application to Code Similarity Detection and Vulnerability Discovery
本文提出将神经机器翻译技术用于跨架构二进制代码翻译,实现低资源ISA到高资源ISA的转换,并通过UNSUPERBINTRANS模型在代码相似性检测和漏洞发现任务中取得高准确率。
2024-04-29 cs.CR cs.SE
Uncovering the Limits of Machine Learning for Automatic Vulnerability Detection
MPI-SP(马克斯·普朗克软件系统研究所)
该研究指出ML4VD传统评估存在过拟合与分布外泛化问题,提出含保语义变换与补丁测试集的新基准方法,实验证明现有模型能力存在明显局限。
2024-06-06 cs.CR cs.LG
Top Score on the Wrong Exam: On Benchmarking in Machine Learning for Vulnerability Detection
MPI-SP Bochum(波恩大学马克斯·普朗克研究所)
本研究揭示机器学习漏洞检测领域主流基准测试存在缺陷:多数函数级分类任务在缺乏调用上下文时无法判定,高分源于虚假相关性,并提出改进基准测试方法以评估真实能力。
2025-04-23 cs.CR cs.LG
Dynamic Neural Control Flow Execution: An Agent-Based Deep Equilibrium Approach for Binary Vulnerability Detection
Queen’s University(女王大学);BlackBerry Ltd.(黑莓公司);Defence R&D Canada(加拿大国防研究与发展局);McGill University(麦吉尔大学)
针对二进制漏洞检测中静态CFG偏差、固定层GNN难聚合全局信息等问题,提出基于智能体的隐式神经网络DeepEXE,结合强化学习优化分支决策,在多数据集上性能超越现有最优方法。
2024-04-03 cs.AI cs.CR cs.LG
Machine Learning Based Network Vulnerability Analysis of Industrial Internet of Things
保护工业物联网(IIoT)设备至关重要,因为一旦发生攻击,可能会造成破坏性后果。机器学习和大数据分析是分析和保护物联网(IoT)技术的两个强大杠杆。通过扩展,这些技术也可以帮助提高IIoT系统的安全性。在本文中,我们首先介绍了常见的IIoT协议及其相关漏洞。然后,我们运行一个网络脆弱性评估,并讨论利用机器学习来对抗这些脆弱性。接着,文献回顾了现有的入侵检测解决方案,使用机器学习模型。最后,我们讨论了我们的案例研究,其中包括一个真实世界的测试平台,我们已经建立了进行网络攻击和设计的入侵检测系统(IDS)的细节。我们部署后门,命令注入和结构化查询语言(SQL)注入攻击系统,并演示如何基于机器学习的异常检测系统可以很好地检测这些攻击。我们已经通过代表性的指标来评估性能,以便对方法的有效性有一个公正的观点。
2019-11-13 cs.CR cs.LG cs.NI
RAVEN: Retrieval-Augmented Vulnerability Exploration Network for Memory Corruption Analysis in User Code and Binary Programs
University of California, Berkeley(加州大学伯克利分校)
提出RAVEN框架,结合LLM代理与检索增强生成,自动生成遵循Google Project Zero模板的漏洞分析报告,在105个样本上平均质量得分54.21%。
2026-06-05 cs.AI cs.CR cs.MA
Bin2vec: Learning Representations of Binary Executable Programs for Security Tasks
Information Sciences Institute, University of Southern California(南加州大学信息科学研究所)
处理二进制程序分析问题传统上意味着手动定义规则和算法,这对于人类分析人员来说是一项乏味且耗时的任务。为了提高自动化和可扩展性,我们提出了一个替代方向的基础上分布式表示的二进制程序的适用性,一些下游任务。我们介绍Bin 2 vec,一种新的方法,利用图卷积网络(GCN)以及计算程序图,以学习一个高维表示的二进制可执行程序。我们证明了这种方法的多功能性,通过使用我们的表示来解决两个语义不同的二进制分析任务-功能算法分类和漏洞发现。我们将所提出的方法与我们自己的强基线以及已发表的结果进行比较,并证明了这两项任务的最先进方法的改进。我们在49191个二进制文件上评估了Bin 2 vec,用于功能算法分类任务,并在30个不同的CWE-ID上评估了Bin 2 vec,每个CWE-ID包括至少100个用于漏洞发现任务的CVE条目。与基于源代码的inst 2 vec方法相比,我们将分类错误减少了40%,同时处理二进制代码,从而获得了最先进的结果。对于我们数据集中的几乎每个漏洞类,我们的预测准确率都超过80%(在多个类中超过90%)。
2021-05-22 cs.CR cs.LG stat.ML
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
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
Understanding Binary Code Similarity for Real-World Vulnerability Detection: A Large-Scale Empirical Study
Institute of Information Engineering, CAS(中国科学院信息工程研究所);University of Chinese Academy of Sciences(中国科学院大学);Hangzhou Dianzi University(杭州电子科技大学);Shandong University(山东大学)
通过分析6万固件镜像,研究影响二进制代码相似性检测(BCSD)性能的关键因素,提出构建感知查询策略和TPL感知两阶段搜索方法,显著提升漏洞检测准确率。
2026-06-27 cs.CR cs.SE
$μ$VulDeePecker: A Deep Learning-Based System for Multiclass Vulnerability Detection
Huazhong University of Science and Technology(华中科技大学);Shenzhen Huazhong University of Science and Technology Research Institute(深圳华中科技大学研究院);University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
细粒度的软件漏洞检测是一个重要且具有挑战性的问题。理想情况下,检测系统(或检测器)不仅应该能够检测程序是否包含漏洞,而且还应该能够查明问题中的漏洞类型。现有的基于深度学习的漏洞检测方法可以检测漏洞的存在(即,解决二进制分类或检测问题),但是不能精确地指出漏洞的类型(即,不能解决多类分类)。在本文中,我们提出了第一个基于深度学习的多类漏洞检测系统,称为$μ$ VulDeePecker。$μ$ VulDeePecker的关键洞察力是代码关注度的概念,它可以捕获有助于查明漏洞类型的信息,即使样本很小。为此,我们从头开始创建一个数据集,并使用它来评估$μ$ VulDeePecker的有效性。实验结果表明,$μ$ VulDeePecker是一种有效的多类漏洞检测方法,同时考虑控制依赖(而不是数据依赖)可以提高检测能力.
2020-01-08 cs.CR cs.LG
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
Common Vulnerability Scoring System Prediction based on Open Source Intelligence Information Sources
Technical University of Darmstadt(达姆施塔特工业大学)
新发布的漏洞数量不断增加。到目前为止,发布新漏洞时可用的信息由专家使用通用漏洞评分系统(CVSS)向量和分数手动评估。这种评估既费时又需要专门知识。各种工作已经尝试使用基于漏洞的文本描述的机器学习来预测CVSS向量或分数,以实现更快的评估。然而,为了这个目的,以前的作品只使用了国家脆弱性数据库等数据库中的文本。通过这项工作,分析了国家脆弱性数据库中引用的公开网页,并通过网络抓取作为文本来源提供。实现并评估了一种基于深度学习的CVSS向量预测方法。目前的工作提供了一个分类的国家脆弱性数据库的参考文本的基础上,其文本的适用性和crawlability。虽然我们发现额外文本的整体影响可以忽略不计,但我们的深度学习预测模型优于最先进的预测模型。
2022-10-05 cs.CR cs.LG
NICE: A Framework for Declarative and Machine-Checkable Vulnerability Reproduction
SAMOVAR, Télécom SudParis, Polytechnic Institute of Paris(SAMOVAR,巴黎电信学院,巴黎理工学院);LTCI, Télécom Paris, Polytechnic Institute of Paris(LTCI,巴黎电信学院,巴黎理工学院)
提出NICE框架,利用声明式配方在NixOS上构建并自动验证漏洞环境,通过虚拟机配置、脚本利用和机器可检查断言实现长期可复现性。
2026-11-11 cs.CR
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
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
Enhancing Reverse Engineering: Investigating and Benchmarking Large Language Models for Vulnerability Analysis in Decompiled Binaries
University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);Louisiana State University(路易斯安那州立大学)
本工作首次实证揭示LLMs在反编译二进制漏洞分析中的语义局限,提出多架构多优化数据集DeBinVul(150,872样本),微调后CodeLlama、Llama3、CodeGen2检测性能分别提升19%、24%、21%,分类准确率达80-90%。
2024-11-07 cs.AI cs.CR
A Geometric Framework for Adversarial Vulnerability in Machine Learning
University of Arizona(亚利桑那大学)
本文提出一个基于 Ricci 曲率与持久性的几何框架,旨在理解神经网络的对抗脆弱性,并发展双线性映射表示等新工具,以支持对抗攻击的猜想与理论分析。
2024-07-03 cs.CR cs.LG stat.ML
Impact of Dataset Properties on Membership Inference Vulnerability of Deep Transfer Learning
Department of Computer Science, University of Helsinki(赫尔辛基大学计算机科学系);School of Informatics, Kyoto University(京都大学信息学系)
研究揭示了数据集属性对深度迁移学习成员推断漏洞的影响,发现样本数量增加可降低非DP模型的漏洞,但保护最脆弱点需大规模数据集。
2026-02-02 cs.CR cs.LG
VulReaD: Knowledge-Graph-guided Software Vulnerability Reasoning and Detection
The University of Manchester(曼彻斯特大学);Agency for Science, Technology and Research(科技研究局);Singapore University of Technology and Design(新加坡科技设计大学);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
VulReaD通过知识图谱引导的推理方法,在软件漏洞检测中实现CWE级别的分类,提升二元和多类检测性能,增强可解释性。
2026-02-11 cs.AI cs.CR cs.IR
Model Extraction Attacks Revisited
Stony Brook University(石溪大学);Penn State University(宾夕法尼亚州立大学)
本文系统重审模型提取攻击,从攻击策略、学习技术、代理模型与基准任务评估主流MLaaS平台,并用四年历史数据揭示脆弱性演变及防御改进方向。
2025-09-29 cs.CR cs.LG
Trace Gadgets: Minimizing Code Context for Machine Learning-Based Vulnerability Prediction
ITS, University of Luebeck(ITS,吕贝克大学);CHAI, University of Hamburg(CHAI,汉堡大学)
本文提出Trace Gadgets,通过最小化代码上下文提升基于机器学习的漏洞检测性能,实验表明其在未见过的数据集上优于行业标准静态扫描器。
2025-12-16 cs.AI cs.CR
Leveraging Large Language Models and Machine Learning for Smart Contract Vulnerability Detection
本文研究利用微调大语言模型与传统机器学习算法对智能合约漏洞进行分类检测,实验表明微调LLM准确率超过90%,优于其他模型,为区块链安全提供了更有效的可解释检测框架。
2025-01-04 cs.CR
The Coming Era of AlphaHacking? A Survey of Automatic Software Vulnerability Detection, Exploitation and Patching Techniques
随着DARPA主办的网络大挑战赛(CGC)的成功举办,自主网络推理系统(CRS)的研究引起了业界和学术界的广泛关注。利用自动化系统来检测,利用和修补软件漏洞似乎是如此有吸引力,因为它的可扩展性和成本效益相比,人类专家为基础的解决方案。在本文中,我们给出了广泛的调查以前的代表性工作相关的底层技术的CRS,包括漏洞检测,利用和修补。作为重要补充,我们随后回顾了几项探索机器学习技术在该领域潜力的先驱研究,并指出Autonomous CRS的未来发展离不开机器学习。
2018-05-30 cs.CR
Agentic Vulnerability Reasoning on COTS Binaries
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
研究LLM智能体对COTS二进制文件漏洞的推理能力,构建SLYP管道,结合二进制探索与动态调试验证漏洞。在COM基准测试中表现出色,发现更多真实漏洞,生成验证PoC,还发现多个零日漏洞,证明工具集和模型选择的重要性及通用性。
2026-07-17 cs.CR cs.LG
Veritas: Grounding LLM Agents for Reliable Vulnerability Reasoning over Stripped Binaries
University College London(伦敦大学学院);BynarIO;Columbia University(哥伦比亚大学)
Veritas通过结合静态切片、双视角LLM检测器和多代理验证器,利用语义基础和运行时证据检测二进制中的内存破坏漏洞,实现了90%的召回率,并在实际应用中发现了一个未知的Apple漏洞。
2026-07-21 cs.CR cs.SE
Predicting Likely-Vulnerable Code Changes: Machine Learning-based Vulnerability Protections for Android Open Source Project
Google(谷歌)
本文提出一个基于机器学习的漏洞预防框架,在代码提交前自动触发安全审查,通过分类器识别高风险变更,在AOSP数据集上实现约80%召回率、98%精确率和1.7%误报率。
2024-05-26 cs.AI cs.CR cs.CY
Harnessing the Power of LLM to Support Binary Taint Analysis
本文提出首个 LLM 驱动的静态二进制污点分析工具 LATTE,通过全自动化规则推理降低人工成本,并在真实固件中发现 37 个基线遗漏的新 bug,其中 7 个获 CVE 编号。
2025-01-09 cs.CR cs.SE
VulBERTa: Simplified Source Code Pre-Training for Vulnerability Detection
Imperial College London(帝国理工学院);University of Malaya(马来亚大学)
VulBERTa通过自定义分词预训练RoBERTa模型于C/C++代码,学习深层表示,在多个漏洞检测数据集和基准上达到最先进性能,且训练数据和参数成本低。
2022-05-25 cs.AI cs.CR cs.LG
ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep Neural Network and Transfer Learning
University of Würzburg(维尔茨堡大学);University of California, San-Diego(加利福尼亚大学圣地亚哥分校);Technical University of Darmstadt(达姆施塔特工业大学);University of California, San Diego(加利福尼亚大学圣地亚哥分校)
以太坊智能合约是区块链上的自动化去中心化应用程序,描述了买卖双方之间的协议条款,减少了对可信中介和仲裁的需求。然而,智能合约的部署为加密货币系统引入了新的攻击向量。特别是,智能合约中的编程缺陷可以并且已经被利用来获得巨大的经济利润。因此,以有效的方式检测合同中不同类别的漏洞是一个新出现的关键问题。现有的基于机器学习的漏洞检测方法是有限的,并且仅检查智能合约是否易受攻击,或者针对每个特定漏洞训练单独的分类器,或者在没有可扩展性考虑的情况下演示多类漏洞检测。为了克服现有工作的可扩展性和通用性限制,我们提出了ESCORT,这是第一个基于深度神经网络(DNN)的以太坊智能合约漏洞检测框架,支持对看不见的安全漏洞进行轻量级迁移学习,因此具有可扩展性和通用性。ESCORT利用多输出NN架构,该架构由两部分组成:(i)学习输入合同语义的公共特征提取器;(ii)多个分支结构,其中每个分支基于从特征提取器获得的特征学习特定的漏洞类型。实验结果表明,ESCORT在六种漏洞类型上的平均F1分数为95%,每个合同的检测时间为0.02秒。当扩展到新的漏洞类型时,ESCORT产生的平均F1分数为93%。据我们所知,ESCORT是第一个能够在DNN模型架构和重新训练开销最小的情况下对新漏洞类型进行迁移学习的框架。
2021-03-23 cs.CR cs.LG
ORCAS: Obfuscation-Resilient Binary Code Similarity Analysis using Dominance Enhanced Semantic Graph
本文提出ORCAS模型,利用支配增强语义图DESG捕获不依赖控制流结构的二进制语义,以提升混淆场景下的代码相似性分析鲁棒性,并在BinKit和真实漏洞数据集上显著优于现有方法。
2025-08-30 cs.CR cs.SE
Analysis of the vulnerability of machine learning regression models to adversarial attacks using data from 5G wireless networks
Research Institute of Digital Intelligent Technologies(数字智能技术研究院);Orenburg State University(奥伦堡国立大学)
本文基于5G网络数据研究回归模型对FGSM对抗攻击的脆弱性,发现攻击使MSE升33%、R2降10%,并证实LightGBM分类器能以98%准确率检测异常数据。
2025-05-01 cs.AI cs.CR
Vulnerability of Machine Learning Approaches Applied in IoT-based Smart Grid: A Review
本文首次聚焦电力系统特性,全面综述了基于物联网的智能电网中机器学习应用的对抗性攻击与防御方法,分析了其脆弱性并展望了未来研究方向。
2023-12-25 cs.CR cs.SY eess.SY
Enhancing Code Vulnerability Detection via Vulnerability-Preserving Data Augmentation
针对现有代码漏洞检测忽略漏洞多样性、数据稀缺导致泛化差的问题,提出细粒度检测器FGVulDet,结合多分类器、边感知GGNN与保留漏洞特征的数据增强技术,在五类漏洞数据集上验证了有效性。
2024-04-15 cs.CR
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
Is this IoT Device Likely to be Secure? Risk Score Prediction for IoT Devices Using Gradient Boosting Machines
The University of New South Wales (UNSW)(新南威尔士大学);RMIT University(皇家墨尔本理工大学)
安全风险评估和预测对于部署物联网(IoT)设备的组织至关重要。企业的最低要求是验证物联网设备在国家漏洞数据库(NVD)中报告的漏洞的安全风险。本文提出了一种基于公开信息的物联网设备风险预测方法。我们的解决方案为各种规模的企业提供了一个简单且经济高效的解决方案,以预测部署新物联网设备的安全风险。在对过去八年的NVD记录进行广泛分析后,我们为易受攻击的物联网设备创建了一个独特、系统和平衡的数据集,包括关键技术特征,以及公共资源提供的功能和描述性特征。然后,我们使用机器学习分类模型,如梯度提升决策树(GBDT)在这个数据集上,并实现71%的预测准确率分类设备漏洞评分的严重性。
2021-11-23 cs.CR cs.LG
V-Fuzz: Vulnerability-Oriented Evolutionary Fuzzing
Fuzzing是一种通过使用大量异常输入反复执行软件来发现错误的技术。现有的模糊化方法大多对软件的各个部分进行了平等的考虑,过多地关注如何提高代码覆盖率。这是低效的,因为易受攻击的代码只占整个代码的一小部分。在本文中,我们设计并实现了一个面向兼容性的进化模糊原型V-Fuzz,其目的是在有限的时间内有效地发现错误,快速。V-Fuzz由两个主要部分组成:一个基于神经网络的脆弱性预测模型和一个面向能力的进化模糊器。给定一个二进制程序到V-Fuzz,漏洞预测模型将给出一个关于软件的哪些部分更容易受到攻击的先验估计。然后,模糊器利用进化算法来生成倾向于到达脆弱位置的输入,由脆弱性预测结果引导。实验结果表明,V-Fuzz可以发现错误更有效地比国家的最先进的模糊。此外,V-Fuzz已经发现了10个CVE,其中3个是新发现的。我们报告了新的CVE,它们已得到确认和修复。
2019-01-04 cs.CR
Vulnerability Detection in AArch64 Machine Code Using a Digital Twin
V. M. Glushkov Institute of Cybernetics of the National Academy of Sciences (NAS) of Ukraine(乌克兰国家科学院V.M.格鲁什科夫控制论研究所)
本文提出可解释数字孪生,通过将漏洞规则编译为有限自动机检测AArch64机器代码的三类CWE漏洞,检测结果可提供可复现解释,无需SMT求解器。
2026-08-04 cs.CR cs.PL cs.SE
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
Rampo: A CEGAR-based Integration of Binary Code Analysis and System Falsification for Cyber-Kinetic Vulnerability Detection
University of California, Irvine(加州大学尔湾分校)
Rampo 通过整合二进制代码分析与系统 falsification 方法,利用 CEGAR 技术高效检测 CPS 中的网络动能漏洞。
2024-02-20 cs.CR cs.SY eess.SY
Asteria: Deep Learning-based AST-Encoding for Cross-platform Binary Code Similarity Detection
二进制代码相似性检测是漏洞搜索、补丁分析和恶意软件检测等安全应用的基础技术。随着物联网设备中关键漏洞的增加,越来越需要检测跨架构的漏洞搜索的类似代码。物联网硬件架构和软件平台的多样性要求在相似性检测中捕获代码片段的语义等价性。然而,现有的方法是不够的,在捕捉语义相似性。我们注意到,函数的抽象语法树(AST)包含了丰富的语义信息。受自然语言处理技术在句子语义理解中成功应用的启发,提出了一种基于深度学习的AST编码方法ASTERIA,用于度量不同平台下函数的语义等价性。我们的方法利用Tree-LSTM网络从AST中学习函数的语义表示。然后通过度量两个表示向量之间的相似性,可以高效、准确地进行相似性检测。我们已经实现了一个开放源代码的原型ASTERIA。Tree-LSTM模型在具有1,022,616个函数对的数据集上进行训练,并在具有95,078个函数对的数据集上进行评估。评估结果表明,我们的方法优于基于AST的工具Diaphora和国家的最先进的方法双子座的大利润率方面的二进制相似性检测。在相似度计算上,我们的方法比Diaphora和Gemini方法快了几个数量级。在漏洞搜索的应用中,我们的工具成功识别了5,979个物联网固件映像中的75个漏洞功能。
2021-08-13 cs.CR
jTrans: Jump-Aware Transformer for Binary Code Similarity
二进制代码相似性检测在漏洞检测、软件构件分析、逆向工程等领域有着重要的应用。最近的研究表明,深度神经网络(DNN)可以理解二进制代码的指令或控制流图(CFG),并支持BCSD。在这项研究中,我们提出了一种新的基于transformer的方法,即jTrans,来学习二进制代码的表示。这是第一个将二进制代码的控制流信息嵌入到基于transformer的语言模型中的解决方案,通过使用一种新的跳跃感知表示的分析二进制代码和一个新设计的预训练任务。此外,我们向社区发布了一个新创建的大型二进制数据集BinaryCorp,这是迄今为止最多样化的。评估结果表明,jTrans在这个更具挑战性的数据集上的性能优于最先进的(SOTA)方法30.5%(即,从32.0%到62.5%)。在已知漏洞搜索的现实任务中,jTrans实现了比现有SOTA基线高2倍的召回率。
2022-05-25 cs.CR cs.SE
UniASM: Binary Code Similarity Detection without Fine-tuning
Key Laboratory of Cyberspace Security, Ministry of Education(网络空间安全教育部重点实验室)
本文通过消融实验分析二进制代码嵌入性能因素,提出富语义函数表示技术和基于 UniLM 的 UniASM 模型,在跨编译器、跨优化级别、跨混淆及漏洞搜索任务上显著优于现有方法。
2025-02-20 cs.CR cs.LG cs.SE
Privacy for All: Demystify Vulnerability Disparity of Differential Privacy against Membership Inference Attack
当机器学习算法应用于敏感数据时,会对隐私构成潜在威胁。越来越多的先前工作已经证明,成员推断攻击(MIA)可以将训练数据中的特定私有信息泄露给攻击者。与此同时,机器学习的算法公平性越来越受到学术界和工业界的关注。算法公平性确保机器学习模型不歧视特定人口统计群体的个体(例如,黑人和女性)。鉴于MIA确实是一种学习模式,如果MIA“公平地”平等对待所有群体的个人,就会引起严重关切。换句话说,一个特定的群体是否比其他群体更容易受到MIA的伤害。本文探讨了算法公平性问题的背景下,MIA及其防御。首先,在公平性评价方面,提出了脆弱性差异(VD)的概念,以量化不同人口群体的MIA待遇差异。其次,在四个真实世界的数据集上评估了VD,并表明VD确实存在于这些数据集中。第三,探讨了差分隐私作为MIA的防御机制对VD的影响。结果表明,DP虽能显著改善VD,但不能完全消除VD。因此,第四,设计了一种新的缓解算法FAIRPICK来降低VD。大量的实验结果表明,FAIRPICK可以有效地减少VD与DP部署和没有。
2020-01-24 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