VMCDL: Vulnerability Mining Based on Cascaded Deep Learning Under Source Control Flow
随着计算机产业和计算机软件的快速发展，软件漏洞被利用的风险大大增加。然而，现有的泄漏源挖掘技术仍存在误报率高、检测粒度粗、依赖专家经验等不足。本文主要利用SARD数据集的c/c++源代码数据，处理CWE 476、CWE 469、CWE 516和CWE 570漏洞类型的源代码，测试前沿工具Joern漏洞扫描功能，提出一种新的基于源代码控制流的级联深度学习模型VMCDL，有效检测漏洞。首先，本文利用joern定位和提取敏感函数和语句，形成易受攻击代码的敏感语句库。然后，通过双向广度优先遍历生成CFG流漏洞代码片段，并利用Doc 2 vec进行向量化。最后，采用基于源代码控制流的级联深度学习模型进行分类，得到分类结果。在实验评测中，我们给出了Joern在具体漏洞上的测试结果，给出了模型算法在单一漏洞类型源代码上的二进制分类结果的混淆矩阵和标签数据，并对FPR、FNR、ACC、P、F1五项指标进行了对比验证，分别达到10.30%、5.20%、92.50%，85.10%和85.40%，表明它能有效降低静态分析的虚警率。
2023-03-24 cs.AI
Automated Reasoning for Vulnerability Management by Design
Department of Computer Science, University of Oxford（牛津大学计算机科学系）；IRIT, CNRS, UT2（IRIT、CNRS、UT2）
本文提出一种基于形式化基础的自动化推理机制，集成于开源安全设计工具，用于系统性地识别漏洞、指定缓解选项并管理系统设计的漏洞态势。
2025-07-08 cs.AI cs.CR cs.LO
VLAI: A RoBERTa-Based Model for Automated Vulnerability Severity Classification
本文提出基于RoBERTa的VLAI模型，利用60余万真实漏洞文本微调，实现82%以上严重性分类准确率，并开源集成至Vulnerability-Lookup，以加速人工CVSS评分前的漏洞分流。
2025-07-04 cs.CR
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
Enhancing Vulnerability Reports with Automated and Augmented Description Summarization
Department of Computer Science at the University of Central Florida（佛罗里达中央大学计算机科学系）；Department of Computer Science at Northeastern Illinois University（北伊利诺伊大学计算机科学系）；Department of Computer Science at Qatar University（卡塔尔大学计算机科学系）；Ewha Womans University（成均馆大学）
本文提出Zad系统，通过双流水线利用外部资源丰富NVD漏洞描述，结合编码器构建数据集并微调预训练模型生成全面描述，有效提升了漏洞信息质量。
2025-04-29 cs.AI cs.CR cs.LG
CryptoScope: Utilizing Large Language Models for Automated Cryptographic Logic Vulnerability Detection
Sichuan University（四川大学）；The Hong Kong University of Science and Technology（香港科学与技术大学）
本文提出 CryptoScope 框架，结合思维链提示、检索增强生成与密码学知识库，在 LLM-CLVA 基准上显著提升多个大语言模型的密码学逻辑漏洞检测性能，并发现 9 个未公开缺陷。
2025-08-15 cs.AI 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
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
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
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
Enriching Vulnerability Reports Through Automated and Augmented Description Summarization
University of Central Florida（中佛罗里达大学）
安全事件和数据泄露正在迅速增加，但只有一小部分被报告。公共漏洞数据库，例如，国家漏洞数据库（NVD）和常见漏洞和暴露（CVE）一直在记录漏洞并共享漏洞以帮助防御方面发挥主导作用。两者都因许多问题而闻名，包括简短的漏洞描述。这些描述在将漏洞信息传达给安全分析人员以制定适当对策方面发挥着重要作用。许多资源提供了关于漏洞的额外信息，但是，它们并没有被用来提升公共存储库。在本文中，我们设计了一个管道，通过第三方引用（超链接）报废增加漏洞描述。为了规范化描述，我们利用预训练的语言模型构建了一个自然语言摘要管道，该模型使用标记实例进行了微调，并根据人类评估（黄金标准）和计算指标评估其性能，在摘要流畅性，完整性，正确性和理解方面显示了初步的有希望的结果。
2022-10-03 cs.CR cs.LG
Exploring Automated Vulnerability Identification in JavaScript Code Using Large Language Models
Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）
本研究实证评估大型语言模型在JavaScript代码漏洞识别中的效果，发现微调后准确率从29%提升至60%，优于传统SAST工具，可作补充手段。
2026-09-15 cs.AI cs.CR
DCDetector: An IoT terminal vulnerability mining system based on distributed deep ensemble learning under source code representation
物联网系统基础设施平台设施漏洞攻击已成为网络安全攻击的主战场。传统的漏洞挖掘方法大多依赖于漏洞检测工具来实现漏洞发现。但由于工具的可扩展性和文件大小的限制，其可扩展性相对较低，无法应用于大规模的电力大数据领域。目的：智能检测C/C++等高级语言源代码中的漏洞。这使我们能够提出一种与敏感的源代码片段相关的代码表示，并通过设计分布式深度集成学习模型来检测漏洞。方法：针对大规模数据脆弱性挖掘问题，提出了一种新的并行集成学习定向脆弱性挖掘方法。通过提取敏感函数和敏感语句，形成了易受攻击代码的敏感语句库。粒度更高的AST流式漏洞代码切片通过随机采样模块对源代码进行doc 2 vec语句向量化，通过Bi-LSTM训练器分布式训练得到不同的分类结果，并通过投票得到最终分类结果。结果：该方法设计并实现了分布式深度集成学习系统软件漏洞挖掘系统DCDetector。它可以利用代码的语法信息做出准确的预测，是分析大规模漏洞数据的有效方法。结论：实验表明，该方法可以降低传统静态分析的误报率，提高机器学习的性能和准确率。
2022-12-03 cs.AI cs.CR
LLM Agents for Automated Web Vulnerability Reproduction: Are We There Yet?
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）
本文首次全面评估20个LLM智能体在80个真实CVE上的Web漏洞复现能力，发现其在复杂服务型漏洞上失败，性能受输入指导影响超33%，凸显环境适应与自主求解能力的不足。
2025-10-16 cs.CR cs.SE
APPATCH: Automated Adaptive Prompting Large Language Models for Real-World Software Vulnerability Patching
本文提出基于LLM的自动化漏洞补丁系统APPATCH，通过漏洞语义推理和自适应提示技术，在无需测试输入和模型微调的情况下生成补丁，在多个漏洞数据集上表现优于现有方法。
2025-04-02 cs.CR cs.SE
Survey of Automated Vulnerability Detection and Exploit Generation Techniques in Cyber Reasoning Systems
Pace University（佩斯大学）
本文综述了DARPA网络大挑战赛中获胜系统Mayhem和Mechanical Phish的自动化漏洞检测与利用生成技术，总结了其核心方法、底层技术及相关工作。
2026-06-19 cs.CR
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
Vignat: Vulnerability identification by learning code semantics via graph attention networks
Columbia University（哥伦比亚大学）
本文提出基于图注意力网络的漏洞识别框架 Vignat，通过细粒度代码属性图学习代码语义表示，在 C 库数据集上实现 57.38% 准确率，并利用模型可解释性揭示漏洞模式。
2023-10-30 cs.AI cs.CR
Code Vulnerability Repair with Large Language Model using Context-Aware Prompt Tuning
University of Delaware（德克萨斯大学）；Colorado School of Mines（科罗拉多矿业学院）
本研究针对LLM在缓冲区溢出漏洞修复上的不足，提出上下文感知提示微调技术，通过注入领域知识将GitHub Copilot的修复率从15%提升至63%。
2025-06-11 cs.AI cs.CR
SafeGenBench: A Benchmark Framework for Security Vulnerability Detection in LLM-Generated Code
ByteDance（字节跳动）
SafeGenBench是一个专门评估大语言模型生成代码安全性的基准框架，通过SAST和LLM评判自动检测漏洞，揭示现有模型在生成无漏洞代码方面的显著不足。
2025-06-20 cs.AI cs.CR
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
SoK: Towards Effective Automated Vulnerability Repair
该SoK论文通过系统文献综述和定量基准测试，将自动化漏洞修复方法分为模板引导、基于搜索、基于约束和基于学习四类，评估其优劣并指出无单一最优方法，同时提出未来研究方向。
2025-01-31 cs.CR
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
CryptoFormalEval: Integrating LLMs and Formal Verification for Automated Cryptographic Protocol Vulnerability Detection
University of Udine（乌迪内大学）；University of Trieste（的里雅斯特大学）；AAU Klagenfurt（克拉根福应用技术大学）；Apart Research（阿帕特研究院）
本文提出CryptoFormalEval基准，通过让大语言模型与定理证明器Tamarin交互，自动发现新密码协议漏洞，并验证了前沿模型在网络安全应用中的潜力。
2024-11-20 cs.AI cs.CR cs.SC
PoC-Adapt: Semantic-Aware Automated Vulnerability Reproduction with LLM Multi-Agents and Reinforcement Learning-Driven Adaptive Policy
University of Information Technology（信息科技大学）；Vietnam National University（越南国立大学）
本文提出PoC-Adapt框架，通过语义运行时验证和自适应策略学习，提升漏洞重现的可靠性并降低生成成本，实验表明其在CWE-Bench-Java和PrimeVul基准上验证可靠性和效率提升显著。
2026-04-09 cs.CR
IvySyn: Automated Vulnerability Discovery in Deep Learning Frameworks
本研究提出首个全自动化深度学习框架内存错误漏洞发现框架IvySyn，通过类型感知模糊测试和高级代码片段合成验证漏洞，测试TensorFlow、PyTorch已发现61个新漏洞、分配39个CVE，效率效果优于过往方法。
2023-04-27 cs.CR
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
Automated Vulnerability Validation and Verification: A Large Language Model Approach
Purdue University（普渡大学）
针对已知漏洞复现缺乏高质量数据集、CVE信息不全的问题，提出基于LLM与RAG的端到端多步骤漏洞验证流水线，可自动化构建容器环境生成利用代码，适配多模型且开源相关产物。
2025-11-13 cs.CR
AVIATOR: Towards AI-Agentic Vulnerability Injection Workflow for High-Fidelity, Large-Scale Code Security Dataset
National Institute of Standards and Technology, Software and Systems Division（美国国家标准与技术研究院软件与系统 division）；Université Grenoble Alpes, CNRS, LIG（格勒诺布尔阿尔卑斯大学，法国国家科学研究中心，LIG实验室）
本文提出AVIATOR，首个AI代理漏洞注入框架，通过协调AI代理、工具分析和迭代自我纠正，生成高保真漏洞数据，提升漏洞检测模型性能。
2026-10-27 cs.AI cs.CR
Words Speak Louder Than Code: Investigating Cognitive Heuristics in LLM-Based Code Vulnerability Detection
BRAC University（布拉德大学）；Purdue University（普渡大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文首次系统探究认知启发式对LLM代码漏洞检测的影响，提出控制框架，发现所有评估模型均易受光环、框架和锚定效应影响，且语义推理型漏洞更易受影响。
2026-10-16 cs.AI cs.CR
Can Neural Decompilation Assist Vulnerability Prediction on Binary Code?
Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）
本文提出一种无需源代码的漏洞预测方法，通过神经反编译将二进制文件转为源代码后利用深度学习进行预测，在二分类和多分类分析中均超越现有技术。
2025-03-29 cs.AI cs.CR cs.LG
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
HogVul: Black-box Adversarial Code Generation Framework Against LM-based Vulnerability Detectors
HogVul通过整合词汇和语法扰动，利用粒子群优化策略提升对抗攻击效果，实验显示其在漏洞检测器攻击成功率上提升26.05%。
2026-01-09 cs.AI cs.CR
Automated Software Vulnerability Static Code Analysis Using Generative Pre-Trained Transformer Models
Sandia National Laboratories（桑迪亚国家实验室）；New Mexico Tech（新墨西哥理工学院）
本文评估了5个开源GPT模型在NIST SARD数据集上自动检测C/C++代码漏洞的效果，发现其假阳性与假阴性率过高，不适合全自动漏洞扫描，但在部分测试用例中表现优于随机采样，最佳模型Llama-2-70b-chat-hf在缓冲区溢出用例上实现了召回率与精确率均为1.0。
2024-07-31 cs.AI cs.CL cs.CR
All You Need Is A Fuzzing Brain: An LLM-Powered System for Automated Vulnerability Detection and Patching
本文介绍了一个基于LLM的自动化漏洞检测与修复系统，在DARPA AIxCC竞赛中排名第四，自主发现28个漏洞（含6个零日漏洞）并修复14个，并公开了系统及基准排行榜。
2025-09-08 cs.CR
Intrinsic Propensity for Vulnerability in Computers? Arbitrary Code Execution in the Universal Turing Machine
通用图灵机通常被认为是最简单、最抽象的计算机模型。本文报告了在Marvin Minsky 1967年实现的通用图灵机中发现的意外任意代码执行漏洞。通过提交精心编制的数据，可以强制机器执行用户提供的代码。本文详细介绍了发现的漏洞，并讨论了其潜在影响。据我们所知，在如此简单的系统中，以前没有报告过任意代码执行漏洞。
2021-04-22 cs.CR
Generalization-Enhanced Code Vulnerability Detection via Multi-Task Instruction Fine-Tuning
School of Cyber Science and Engineering, Huazhong University of Science and Technology（华中科技大学网络空间科学与技术学院）；College of Computer, National University of Defense Technology（国防科技大学计算机学院）；School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）
本文提出VulLLM框架，通过多任务指令微调结合漏洞定位与漏洞解释两个辅助任务，使大语言模型捕捉漏洞根本原因，从而在六个数据集上超越七个最先进模型，提升漏洞检测的有效性、泛化性与鲁棒性。
2024-06-06 cs.AI cs.CL cs.CR
An Automated, End-to-End Framework for Modeling Attacks From Vulnerability Descriptions
Ben-Gurion University of the Negev（内盖夫本-古里安大学）；NEC Corporation（日本电气株式会社）
攻击图是用于自动化风险评估过程的主要技术之一。为了得到相关的攻击图，关于已知攻击技术的最新信息应该被表示为交互规则。设计和创建新的交互规则不是一项简单的任务，目前由安全专家手动执行。然而，由于新的安全漏洞和攻击技术的数量持续快速增长，因此需要使用新的攻击技术频繁更新攻击图工具的规则集，以确保交互规则集始终是最新的。我们提出了一种新的，端到端的，自动化的框架，从文本描述的安全漏洞建模新的攻击技术。给定一个安全漏洞的描述，该框架首先提取相关的攻击实体所需的攻击模型，完成缺失的信息的漏洞，并得出一个新的交互规则，模型的攻击，这个新的规则是集成在MulVAL攻击图工具。所提出的框架实现了一个新的管道，包括一个专用的网络安全语言模型训练的NVD存储库，用于攻击实体提取的递归神经网络模型，用于完成缺失的信息，和一个新的逻辑回归模型机器学习为基础的方法自动建模的攻击MulVAL的交互规则。我们评估了每个算法的性能，以及完整的框架，并证明了其有效性。
2020-08-10 cs.CR cs.LG
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
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
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
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
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
Natural Code Transformation Confuses Agents in Vulnerability Analysis
University of Chicago（芝加哥大学）
本研究发现自然代码转换可混淆搭载GPT-6 Sol的Codex等前沿智能体，降低其漏洞发现成功率，拓展了代码转换防御恶意智能体的研究空间。
2026-10-15 cs.AI cs.CR cs.LG
Execution-State-Aware LLM Reasoning for Automated Proof-of-Vulnerability Generation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
DrillAgent通过结合LLM语义推理与执行状态反馈，实现自动化漏洞证明生成，显著提升漏洞检测效率。
2026-02-14 cs.CR cs.SE
Automated SBOM-Driven Vulnerability Triage for IoT Firmware: A Lightweight Pipeline for Risk Prioritization
本文提出了一种轻量级自动化管道，用于从物联网固件中提取SBOM并生成漏洞优先级评分，以提高固件安全风险评估的效率和准确性。
2026-01-04 cs.CR 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
Literature review on vulnerability detection using NLP technology
Hangzhou University of Electronic Science and Technology（杭州电子科技大学）
漏洞检测一直是软件安全领域最重要的任务。随着技术的发展，面对海量的源代码，自动分析和检测漏洞已成为当前的研究热点。对于源代码这样的特殊文本文件，利用当前最热门的一些自然语言处理技术进行建模，实现对源代码的自动分析和检测，已经成为漏洞检测领域最值得期待的研究之一。本文简要介绍了CodeBERT等一些新的文档和技术，并对以前的技术进行了总结。
2021-04-23 cs.AI cs.CR cs.SE
Automated Security Assessment for the Internet of Things
Deakin University（迪肯大学）；RMIT University（皇家墨尔本理工大学）；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）
基于物联网（IoT）的应用面临着越来越多的潜在安全风险，需要系统地评估和解决。基于专家的物联网安全手动评估是一种主要方法，但通常效率低下。为了解决这个问题，我们提出了一个物联网网络的自动安全评估框架。我们的框架首先利用机器学习和自然语言处理来分析漏洞描述以预测漏洞度量。然后将预测的度量输入到两层图形安全模型中，该模型由上层的攻击图和底层的攻击树组成，上层用于表示网络的连通性，底层用于描述网络中每个节点的漏洞信息。该安全模型通过捕获潜在的攻击路径来自动评估物联网网络的安全性。我们使用一个概念验证的智能建筑系统模型来评估我们方法的可行性，该模型包含各种真实世界的物联网设备和潜在的漏洞。我们对所提出的框架的评估表明，它在自动预测新漏洞的漏洞度量方面具有有效性，平均准确率超过90%，并确定物联网网络中最脆弱的攻击路径。所产生的评估结果可作为网络安全专业人员采取进一步行动和及时降低风险的指南。
2021-09-09 cs.AI cs.CR cs.LG
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
ICSPatch: Automated Vulnerability Localization and Non-Intrusive Hotpatching in Industrial Control Systems using Data Dependence Graphs
在操作技术（OT）和信息技术（IT）设备之间实现广泛的相互通信的范式转变允许IT世界的典型漏洞传播到OT端。因此，过去通过空气间隙提供的安全层被移除，使得OT设备的安全补丁成为硬性要求。传统的修补涉及设备重新启动以将修补后的代码加载到主存储器中，这不适用于由于停机而控制关键进程的OT设备，从而需要在存储器中修补漏洞。此外，这些控制二进制文件通常由内部专有编译器编译，进一步阻碍了修补过程，并依赖OT供应商快速发现漏洞和开发补丁。当前最先进的热修补方法仅关注固件和/或RTOS。因此，在这项工作中，我们开发ICSPatch，一个框架，自动控制逻辑漏洞本地化使用数据依赖图（DDG）。在DDG的帮助下，ICSPatch精确定位了控制应用程序中的漏洞。作为独立的第二步，ICSPatch可以直接在可编程逻辑控制器的主存储器中非侵入性地修补控制应用程序中的漏洞，同时保持可靠的连续运行。为了评估我们的框架，我们在来自不同关键基础设施部门的24个易受攻击的控制应用程序二进制文件的合成数据集上测试ICSPatch。结果表明，ICSPatch能够成功定位所有漏洞并生成相应的补丁。此外，该补丁在执行周期中增加了可忽略不计的延迟，同时保持了正确性和对漏洞的保护。
2022-12-08 cs.CR cs.SY eess.SY
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
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
Detecting Data Poisoning in Code Generation LLMs via Black-Box, Vulnerability-Oriented Scanning
University of Connecticut（康涅狄格大学）；Visa Research（Visa研究）
本文提出CodeScan框架，通过分析多生成代码的结构相似性，结合抽象语法树规范化，检测代码生成模型中的安全漏洞，实现高准确率的数据中毒检测。
2026-09-25 cs.AI cs.CR cs.SE
