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
WANA: Symbolic Execution of Wasm Bytecode for Cross-Platform Smart Contract Vulnerability Detection
许多流行的区块链平台都支持智能合约来构建分散的应用程序。然而，智能合约中的漏洞给最终用户带来了严重的经济损失。对于EOSIO区块链平台，有效的漏洞检测器仍然有限。此外，现有的漏洞检测工具只能支持一个区块链平台。在这项工作中，我们提出了WANA，一个基于WebAssembly字节码符号执行的跨平台智能合约漏洞检测工具。此外，WANA提出了一组测试预言机，以检测基于WebAssembly字节码分析的EOSIO和以太坊智能合约中的漏洞。我们的实验分析表明，WANA可以高效地检测EOSIO和以太坊智能合约中的漏洞。
2020-08-05 cs.SE
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
Automated Software Vulnerability Assessment with Concept Drift
软件工程研究人员越来越多地使用自然语言处理（NLP）技术来自动化软件漏洞（SV）评估使用的描述在公共存储库。然而，现有的基于NLP的方法遭受概念漂移。这个问题是由于缺乏对新的（词汇表外的）术语的适当处理而导致的，这些术语用于随着时间的推移评估看不见的SV。为了使用SV的描述进行具有概念漂移的自动SV评估，我们提出了一种结合字符和单词特征的系统方法。该方法被用来预测七个脆弱性特征（VC）。每个VC的最佳模型是使用我们定制的基于时间的交叉验证方法从八个NLP表示和六个著名的机器学习模型中选择的。我们已经使用所提出的方法在国家漏洞数据库（NVD）中的100，000多个SV上进行了大规模实验。结果表明，即使不重新训练模型，我们的方法也可以有效地解决NVD中2000年至2018年报告的SV描述的概念漂移问题。此外，我们的方法相比，现有的单词的方法具有竞争力。我们还研究如何构建具有更少特征的紧凑概念漂移感知模型，并就SV评估的分类器和NLP表示的选择给出一些建议。
2021-03-21 cs.CR 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
QLPro: Automated Code Vulnerability Discovery via LLM and Static Code Analysis Integration
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络安全学院）
QLPro框架通过集成LLM与静态分析工具提升开源项目漏洞检测能力，在JavaTest数据集上比CodeQL多检出17个已知漏洞，并新发现6个未知漏洞（含2个0-day）。
2025-07-19 cs.AI cs.CR cs.SE
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
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
Evaluating the NIST Bugs Framework Against CWE as a Successor for Automated Vulnerability Classification
The University of Alabama（阿拉巴马大学）
本研究评估NIST漏洞框架（BF）作为CWE继任者的可行性，通过专家标注和LLM自动化实验，证明BF在结构化程度和自动化友好性上优于CWE，但存在属性指导不足等空白。
2026-09-16 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
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
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
Using ML filters to help automated vulnerability repairs: when it helps and when it doesn't
University of Trento（特伦托大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文研究在自动化漏洞修复流程中用机器学习模型作为测试前初步过滤器的可行性，推导了精确率与召回率的理论界限，并据此评估了现有漏洞检测器相比仅基于测试的APR4Vuln流水线需要达到的速度条件。
2025-04-09 cs.CR cs.LG cs.SE
A Multi-Dataset Evaluation of Models for Automated Vulnerability Repair
Luxembourg Institute of Science and Technology (LIST)（卢森堡科学技术研究所）
本研究在六个数据集和四种语言上评估 CodeBERT 与 CodeT5 的自动化漏洞修复能力，揭示二者在上下文稀疏、复杂模式捕捉及分布外泛化上的差异与局限，并为实际安全应用提供改进方向。
2025-06-05 cs.AI cs.SE
VFFINDER: A Graph-based Approach for Automated Silent Vulnerability-Fix Identification
针对开源项目静默漏洞修复难以识别的问题，提出基于图神经网络VFFINDER方法，利用AST结构特征区分修复与非修复提交，在36K+提交数据集上显著提升精确率、召回率和F1，并加速识别过程。
2023-09-05 cs.SE
LLM4CVE: Enabling Iterative Automated Vulnerability Repair with Large Language Models
本文提出LLM4CVE迭代流水线，利用大语言模型自动修复真实代码漏洞，并在多种先进LLM上验证其修复质量与代码相似度。
2025-01-07 cs.CR cs.SE
DeepCVA: Automated Commit-level Vulnerability Assessment with Deep Multi-task Learning
CREST - The Centre for Research on Engineering Software Technologies, The University of Adelaide（CREST - 工程软件技术研究中心，阿德莱德大学）；Cyber Security Cooperative Research Centre（网络安全合作研究中心）
越来越多的人建议识别代码提交中的软件漏洞（SV），以提前警告潜在的安全风险。然而，在检测到对安全性有贡献的提交后，缺乏对它们进行评估的努力，以及时提供有关SV的可利用性、影响和严重性的信息。这些信息对于规划和优先考虑已识别SV的缓解措施非常重要。我们提出了一种新的深度多任务学习模型DeepCVA，基于通用漏洞评分系统（CVSS）指标同时自动执行七个提交级漏洞评估任务。我们对246个真实软件项目中包含542个不同SV的1，229个可扩展性贡献提交进行了大规模实验，以评估我们模型的有效性和效率。我们发现DeepCVA是性能最好的模型，马修斯相关系数比许多监督和无监督基线模型高出38%至59.8%。DeepCVA所需的训练和验证时间比七个累积评估模型少6.3倍，从而大大降低了模型维护成本。总的来说，DeepCVA提供了第一个有效和高效的解决方案，可以在软件系统的早期自动评估SV。
2021-08-18 cs.CR cs.LG cs.SE
VulnResolver: A Hybrid Agent Framework for LLM-Based Automated Vulnerability Issue Resolution
Beihang University（北京航空航天大学）；Nanyang Technological University（南洋理工大学）
VulnResolver是一种基于大语言模型的混合代理框架，通过上下文预收集和安全属性分析代理，实现自动化漏洞问题的高效解决。
2026-01-20 cs.SE
SoK: Automated Vulnerability Repair: Methods, Tools, and Assessments
本SoK研究按漏洞分析、补丁生成、补丁验证三步体系化梳理自动化漏洞修复（AVR）方法，构建含144个漏洞的C/C++基准数据集Vul4C，评估了多款C/C++和Java的AVR工具，并指出未来研究方向。
2025-06-13 cs.SE
On the Shoulders of Giants: Empowering Automated Smart Contract Auditing via the GiAnt Corpus
Zhejiang University（浙江大学）；Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术区（滨江）区块链与数据安全研究所）；University of Ottawa（渥太华大学）
提出自动化框架GiANT，从真实审计报告中提取漏洞信息构建高质量数据集GiAnt Corpus，包含7711个漏洞发现，验证了其在漏洞检测等任务中的实用性。
2026-06-05 cs.CR 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
UntrustVul: An Automated Approach for Identifying Untrustworthy Alerts in Vulnerability Detection Models
本文提出UntrustVul方法，通过识别与漏洞无关的代码行来自动检测不可信的漏洞预测，实验表明其在AUC和F1-score上优于现有方法。
2026-05-15 cs.SE
AIM: Automated Input Set Minimization for Metamorphic Security Testing
针对蜕变安全测试因输入集规模大导致测试效率低的问题，提出AIM方法，通过聚类、遗传算法和问题约简实现输入集最小化，在Jenkins和Joomla上可缩短80%以上测试时间且保持检测能力，漏洞覆盖率优于现有基线。
2024-10-24 cs.CR cs.SE
KernJC: Automated Vulnerable Environment Generation for Linux Kernel Vulnerabilities
针对内核漏洞复现中环境构建的挑战，提出基于补丁和图的方法自动识别易受攻击内核版本及必要配置，开发了工具 KernJC 并构建数据集，成功复现 66 个漏洞并发现 NVD 中 128 个虚假版本声明。
2024-09-24 cs.CR cs.SE
There are More Fish in the Sea: Automated Vulnerability Repair via Binary Templates
针对现有源代码层面漏洞修复技术的局限性，本文提出基于模板的Java二进制自动化漏洞修复方法TemVUR，通过收集并实现修复模板，在Vul4J和ManyVuls4J数据集上展现出显著的修复效果与通用性。
2024-11-27 cs.SE
Well Begun is Half Done: Location-Aware and Trace-Guided Iterative Automated Vulnerability Repair
Yangzhou University（扬州大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）
\sysname通过位置感知和跟踪引导的迭代方法，改进了漏洞修复的补丁生成质量与准确性。
2025-12-23 cs.SE
A Case Study of LLM for Automated Vulnerability Repair: Assessing Impact of Reasoning and Patch Validation Feedback
本研究提出VRpilot，一种基于推理和补丁验证反馈的LLM漏洞修复技术，在C和Java上分别比基线多生成14%和7.6%的正确补丁，并通过消融实验证实了这两个组件的关键作用。
2024-05-24 cs.SE
Empirical Review of Smart Contract and DeFi Security: Vulnerability Detection and Automated Repair
本文实证综述了智能合约与DeFi安全领域，将攻击归纳为六类，评估了42种漏洞检测技术和8种自动修复工具，并指出了未来需解决的开放问题。
2023-09-06 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
Rethinking the Capability of Fine-Tuned Language Models for Automated Vulnerability Repair
Seoul National University（首尔大学）；UNIST（蔚山科学技术院）；Sungshin Women’s University（成均馆女子大学）
探讨基于微调语言模型的自动漏洞修复技术，通过语义变换、重划数据集和引入新基准三种方式，考察现有模型能力及匹配评估指标充分性，以提升模型修复未见漏洞的能力和评估准确性。
2026-07-16 cs.SE
Characterizing Security Effects of OSS Vulnerabilities in Agent Systems
Huazhong University of Science and Technology（华中科技大学）；Cyberspace Security University of China（中国网络安全大学）
本研究通过差异执行与运行时溯源，表征代理系统中开源漏洞的安全效应及其传播边界，并识别真实框架中的多个漏洞影响。
2026-10-06 cs.CR cs.SE
Automated Exploit and Security Test Generation: A Systematic Literature Review
Hamburg University of Technology（汉堡工业大学）；University of Trento（特伦托大学）；University of Szeged（塞格德大学）；University of Salerno（萨莱诺大学）；FrontEndART Ltd.（FrontEndART有限公司）；Vrije Universitiet Amsterdam（阿姆斯特丹自由大学）
本文系统综述了自动化漏洞利用与安全测试生成技术，将其分为自动化漏洞利用生成、安全测试、模糊测试等四类，分析了技术特点与实践可用性，并指出公开可用工具较少。
2026-11-05 cs.CR cs.SE
Vul-R2: A Reasoning LLM for Automated Vulnerability Repair
Tencent Inc.（腾讯公司）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系）
针对现有LLM直接生成漏洞修复缺乏推理数据且难以验证中间过程的问题，提出Vul-R2推理大模型，以提升自动化漏洞修复的性能与可靠性。
2025-10-07 cs.AI cs.SE
Evaluating Pre-Trained Models for Multi-Language Vulnerability Patching
该研究评估CodeBERT、CodeT5两款预训练模型在多语言漏洞补丁任务中的表现，明确了二者的性能优势、效率差异及补丁长度带来的挑战，为自动化漏洞修复技术的实用化提供参考。
2025-01-13 cs.SE
Patch Validation in Automated Vulnerability Repair
Northwestern University（西北大学）；University of Waterloo（滑铁卢大学）；University of New Hampshire（新罕布什尔大学）
本文提出PVBench基准测试，揭示现有自动漏洞修复系统在补丁验证中存在显著误差，指出需提升根因分析、规范遵循和开发者意图捕捉能力。
2026-03-20 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
V2E: Validating Smart Contract Vulnerabilities through Profit-driven Exploit Generation and Execution
Sun Yat-sen University（中山大学）；Peng Cheng Laboratory（鹏城实验室）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出V2E框架，通过自动生成可执行的漏洞利用示例，验证报告漏洞是否可被利用。核心方法包括生成、验证和迭代优化漏洞利用代码，提升漏洞验证效率。
2026-04-20 cs.SE
Directed Symbolic Execution for Vulnerability Discovery: An LLM-Guided Approach in KLEE
Kyushu University（九州大学）
研究针对符号执行的路径爆炸问题，提出基于KLEE的KLEECopilot方法，用大语言模型引导定向符号执行，标记潜在漏洞代码、指导路径优先级并集成循环退出优先级，相比基线提升显著，各组件对有效性有贡献。
2026-07-27 cs.SE
Automated Characterization of Software Vulnerabilities
防止漏洞利用是一项关键的软件维护任务，软件工程师通常依赖于通用漏洞和暴露（CVE）报告来获取有关易受攻击的系统和库的信息。这些报告包括描述、披露来源和手动填充的漏洞特征，例如NIST漏洞描述本体（VDO）中的根本原因。这些信息需要完整和准确，以便受影响产品的利益相关者可以防止和应对报告的漏洞的利用。然而，对每份报告进行定性需要大量的时间和专门知识，这可能导致报告不准确或不完整。这直接影响了利益相关者快速、正确地维护其受影响系统的能力。在这项研究中，我们证明，VDO的特点，可以自动检测到包括在CVE报告的文字描述。我们评估了6种分类算法的性能，数据集包含365个漏洞描述，每个描述映射到VDO的19个特征中的1个。这项工作表明，它是可行的训练分类技术，以准确地表征脆弱性，从他们的描述。评估的所有6个分类器都产生了准确的结果，支持向量机分类器是性能最好的单个分类器。自动化漏洞表征过程是确保利益相关者拥有有效维护其系统所需数据的一个步骤。
2019-09-30 cs.SE
VulKey: Automated Vulnerability Repair Guided by Domain-Specific Repair Patterns
The Chinese University of Hong Kong（香港中文大学）；Sun Yat-sen University（中山大学）
VulKey通过层级化抽象专家知识指导补丁生成，实现更高泛化性和语义丰富性，其在PrimeVul数据集上达到31.5%的修复准确率，超越现有方法。
2026-06-27 cs.CR 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
A Dual-Loop Agent Framework for Automated Vulnerability Reproduction
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Huazhong University of Science and Technology（华中科技大学）；Tsinghua University（清华大学）
CVE2PoC通过双环代理框架实现漏洞复现自动化，提升漏洞利用代码的生成效率与质量。
2026-02-08 cs.SE
Correct Verdicts, Flawed Reasoning: Structured Auditing of LLM-based Vulnerability Reasoning
Carnegie Mellon University（卡内基梅隆大学）
针对LLM漏洞分析中自由形式推理易掩盖错误的问题，提出VERA框架，通过结构化推理记录和确定性检查审计推理，能暴露87%被传统LLM评判遗漏的错误。
2026-10-06 cs.CR cs.LG cs.SE
Pre-trained Model-based Automated Software Vulnerability Repair: How Far are We?
该研究首次系统分析预训练模型在软件漏洞修复中的应用，证实其准确率优于现有最优技术VRepair，发现迁移学习可进一步提升效果，并给出相关发展指导。
2023-08-25 cs.SE
VulnRepairEval: An Exploit-Based Evaluation Framework for Assessing Large Language Model Vulnerability Repair Capabilities
针对现有大语言模型漏洞修复评估依赖表层验证、性能高估的问题，提出基于PoC漏洞利用的VulnRepairEval框架，构建含23个真实Python CVE的基准，测试12款LLM发现最优模型修复率仅约21.7%，凸显真实场景评估的必要性。
2025-09-03 cs.CR 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
Improving Automated Secure Code Reviews: A Synthetic Dataset for Code Vulnerability Flaws
针对现有代码审查数据集漏洞样本不足的问题，本文提出利用大语言模型生成漏洞聚焦的合成审查数据集，并计划微调三个现有模型以提升其安全代码审查性能。
2025-04-22 cs.SE
Toward Secure Code Generation: Bridging Correctness and Security via Task-Adaptive Vulnerability Modeling and Execution-Based Benchmarking
South China University of Technology（华南理工大学）；University of Innsbruck（因斯布鲁克大学）
本文提出CodeSecEval基准和SecAwareCoder框架，通过任务自适应威胁建模与执行反馈，提升LLM代码生成的安全性与正确性，实验验证其有效性。
2026-09-15 cs.CL 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
Answer Is Cheap, Show Me the Evidence! Augmenting Automated Vulnerability Assessment with Evidence
Zhejiang University（浙江大学）；Huawei（华为）
研究针对现有自动化漏洞评估方法缺乏证据支持的问题，提出EAVA框架，通过LLM智能体和两阶段训练流程实现更优性能，且提供的证据对安全专家实用。
2026-08-27 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
Enhanced Automated Code Vulnerability Repair using Large Language Models
Universidad de Alcalá（阿尔卡拉大学）
本文提出利用 Code Llama 和 Mistral 等大型语言模型及新的代码修改表示格式来增强 C 代码漏洞自动修复，实验表明其准确性优于 VulRepair，并强调了评估指标与数据集完整性的重要性。
2024-10-03 cs.CL 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
A Systematic Study of LLM-Based Architectures for Automated Patching
Texas A&M University（德克萨斯农工大学）
本文系统研究了基于LLM的自动补丁架构，通过统一基准评估四种范式，揭示了不同架构在效率、灵活性和泛化能力上的权衡，发现通用代码代理在性能上表现最优。
2026-03-01 cs.CR cs.SE
