SBOM Generation Tools in the Python Ecosystem: an In-Detail Analysis
本文以 PyPI 生态系统为对象,使用 CycloneDX 标准分析四种 SBOM 生成工具,揭示影响 SBOM 完整性与正确性的依赖版本、元数据、远程及可选依赖等问题,并指出 PyPI 元数据标准缺失的系统性缺陷。
2024-09-02 cs.CR cs.SE
Cross-ecosystem categorization: A manual-curation protocol for the categorization of Java Maven libraries along Python PyPI Topics
本研究针对不同软件生态系统类别名称不统一、难以跨生态比较库数据集的问题,设计了一套人工引导的通用分类协议,参照PyPI主题对256个有严重漏洞的Java/Maven库分类,验证了可行性,为跨生态实证研究的机器学习提供基准真值。
2024-03-10 cs.CR cs.SE
VUDENC: Vulnerability Detection with Deep Learning on a Natural Codebase for Python
Humboldt-Universität zu Berlin(柏林洪堡大学);University of Paderborn(帕德博恩大学);University of Bern(伯尔尼大学)
识别潜在的易受攻击的代码对于提高我们软件系统的安全性非常重要。然而,软件漏洞的手动检测需要专业知识并且是耗时的,并且必须由自动化技术支持。目的:这种自动化漏洞检测技术应该实现高准确性,将开发人员直接指向易受攻击的代码片段,扩展到真实世界的软件,跨特定软件项目的边界进行概括,并且不需要或仅需要适度的设置或配置工作。方法:在本文中,我们将介绍VUDENC(Vulnerability Detection with深度学习on a Natural Codebase),这是一个基于深度学习的漏洞检测工具,可以自动从大型真实Python代码库中学习易受攻击代码的特征。VUDENC应用word 2 vec模型来识别语义相似的代码标记并提供矢量表示。然后,使用长短期记忆单元(LSTM)网络对易受攻击的代码令牌序列进行细粒度分类,突出显示源代码中可能包含漏洞的特定区域,并为其预测提供置信度。结果如下:为了评估VUDENC,我们使用了来自不同GitHub存储库的1,009个可修复性提交,这些存储库包含七种不同类型的漏洞(SQL注入,XSS,命令注入,XSRF,远程代码执行,路径泄露,Open重定向)用于培训。在实验评测中,VUDENC的召回率为78%-87%,准确率为82%-96%,F1评分为80%-90%。VUDENC的代码、漏洞的数据集和word 2 vec模型的Python语料库都可以复制。结论…
2022-01-20 cs.CR cs.LG cs.SE
A Closer Look at the Security Risks in the Rust Ecosystem
该研究针对Rust生态安全风险研究不足的问题,构建涵盖433个漏洞、300个漏洞仓库及218个修复提交的7年跨度数据集,系统分析漏洞特征、漏洞包属性及漏洞修复规律。
2023-08-29 cs.CR cs.SE
I Know What You Imported Last Summer: A study of security threats in thePython ecosystem
Python的流行在过去15年中迅速上升。它是当今一些最令人兴奋的技术中的主要语言。这种流行导致了一个大型的第三方软件包生态系统,通过pip软件包注册表提供,该注册表托管超过20万个软件包。这些第三方软件包可以在安装后使用软件包管理器(如pip)简单地导入软件包来重用。第三方软件的易用性带来了安全风险,使数百万用户处于危险之中。在这个项目中,我们研究生态系统来分析这种威胁。Python的成熟生态系统有许多弱点,我们在项目中强调了这些弱点。首先,我们展示了利用Python生态系统是多么微不足道。然后,我们系统地分析软件包,维护人员和公开报告的安全问题之间的依赖关系。大多数攻击只有在用户安装恶意软件包时才可能发生。因此,我们试图分析和评估攻击者使用的不同方法,以迫使不正确的下载。我们通过估计利用流行的Python包可能造成的潜在威胁来量化您的想法。我们还讨论了行业中用于防御此类攻击的方法
2021-02-11 cs.CR
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
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
A Large-Scale Security-Oriented Static Analysis of Python Packages in PyPI
不同的安全问题是归档到软件生态系统并通过软件生态系统交付的开源软件包的常见问题。这些通常表现为可能导致具体软件漏洞的软件弱点。本文使用静态分析来研究Python包中的各种安全问题。该数据集基于存储在Python包索引(PyPI)中的所有包的快照。总共涵盖了超过19.7万个软件包和超过74.9万个安全问题。即使在静态分析施加的约束下,(a)结果表明安全问题普遍存在;大约46%的Python包至少存在一个问题。就问题类型而言,(b)异常处理和不同的代码注入是最常见的问题。子流程模块在这方面尤为突出。反映了软件包的一般小尺寸,(c)软件尺寸度量不能很好地预测通过静态分析揭示的问题的数量。这些结果和相应的讨论,有助于更好地理解软件生态系统中的安全问题的大规模实证研究领域。
2021-12-26 cs.CR cs.SE
Lags in the Release, Adoption, and Propagation of npm Vulnerability Fixes
第三方依赖关系中的安全漏洞不仅是受影响软件的开发人员日益关注的问题,而且还对整个软件生态系统构成风险,例如,心脏出血漏洞。最近的研究表明,开发人员对漏洞威胁的反应很慢,有时需要4到11个月才能采取行动。为了确保快速采用和传播的版本,包含修复(修复版本),我们进行了实证调查,以确定可能发生的滞后之间的脆弱的版本和它的修复版本(包端修复版本)。通过对GitHub上npm项目的231个包端修复版本的初步研究,我们观察到修复版本很少单独发布,高达85.72%的捆绑提交与修复无关。然后,我们将包端修复版本与客户端(客户端修复版本)上的更改进行比较。通过对影响整个网络的1,553,325个npm包版本的1,290个包端修复版本的采用和传播趋势的实证研究,我们发现陈旧的客户端需要额外的迁移工作,即使包端修复版本很快(即,包补丁着陆)。此外,我们显示的影响因素,如包端固定释放土地上的分支和脆弱性的严重程度,其传播。除了这些滞后,我们确定和表征,本文奠定了基础,为未来的研究如何减轻滞后的生态系统。
2021-03-31 cs.CR cs.SE
Broken Quantum: A Systematic Formal Verification Study of Security Vulnerabilities Across the Open-Source Quantum Computing Simulator Ecosystem
QreativeLab
本文通过COBALT QAI工具对45个开源量子模拟框架进行形式化安全审计,发现547个安全漏洞,包括新型量子特定攻击向量QASM注入,并验证所有13种漏洞模式。
2026-04-14 cs.CR cs.SE quant-ph
An Empirical Study of Vulnerabilities in Python Packages and Their Detection
Monash University(墨尔本大学);College of Intelligence and Computing, Tianjin University(智能与计算学院,天津大学);University of Newcastle(新castle大学)
该研究构建了含1157个经开发者验证漏洞的Python包漏洞基准PyVul,通过LLM辅助清洗提升标注精度,分析了漏洞分布特征,并评估发现现有检测工具与真实需求存在显著差距。
2025-09-04 cs.AI cs.CR 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
IoT Vulnerability Data Crawling and Analysis
物联网(IoT)是一个全新的生态系统,由异构连接设备组成-即计算机,笔记本电脑,智能手机和平板电脑以及嵌入式设备和传感器-这些设备通过通信提供功能,使我们的生活,城市,交通,能源和许多其他领域更加智能。物联网生态系统提出的主要问题是设备对补丁/更新的支持不足以及板载计算能力差。许多问题都源于此:固有的脆弱性以及无法检测和防御外部攻击。此外,由于其操作的性质,这些设备往往对通信相当开放,这使得攻击一旦到达网络就很容易传播。这项研究的目的是调查是否有可能提取有关攻击趋势的有用结果,并能够在为时已晚之前通过爬行深/暗和表面网络来预测它们。这项工作的结果表明,有可能找到趋势,并能够主动采取行动,以保护物联网生态系统。
2021-09-20 cs.CR
Large Language Models in Misinformation Ecosystems: Misuse, Defense, and Vulnerability
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);University of Illinois Chicago(伊利诺伊大学香槟分校);State Key Laboratory of Media Convergence and Communication, Communication University of China(中国传媒大学媒体融合与传播国家重点实验室);University of Chinese Academy of Sciences(中国科学院大学)
研究大语言模型在错误信息生态系统中的问题,引入角色层框架统一风险与防御,组织相关攻击、研究检测与验证方法、分析漏洞及讨论对策,指出从静态检测到风险评估、强化验证管道、部署可审计人工参与验证系统这三个关键挑战。
2026-07-14 cs.AI cs.CR cs.SI
Towards Demystifying and Repairing LLM-in-the-Loop Vulnerabilities
Tianjin University(天津大学);Singapore Management University(新加坡管理大学);University of Luxembourg(卢森堡大学)
通过构建首个LLM-in-the-loop漏洞数据集LLMCVE,分析发现LLM常作为目标或传播向量而非根因,并评估现有修复方法,揭示此类漏洞修复更具挑战性。
2026-07-03 cs.CR cs.SE
The Impact of SBOM Generators on Vulnerability Assessment in Python: A Comparison and a Novel Approach
本文评估 SBOM 生成工具对 Python 漏洞检测的影响,分析其失效根源,并提出 PIP-sbom,以提升组件识别与依赖解析准确性。
2024-09-10 cs.CR
PyPitfall: Dependency Chaos and Software Supply Chain Vulnerabilities in Python
New Jersey Institute of Technology(新泽理工学院)
PyPitfall通过分析PyPI生态系统的依赖结构,揭示了Python软件供应链中脆弱依赖的广泛存在及其安全影响。
2025-07-24 cs.CR
Constraint-based Adversarial Example Synthesis
本研究扩展了Concolic Testing工具PyCT以支持更广泛的神经网络操作,通过系统生成预测路径约束来识别潜在对抗样本,揭示了Python神经网络模型的脆弱性并强调了稳健测试方法的重要性。
2024-06-03 cs.CR cs.SE
GCVE: A Decentralized Model for Vulnerability Identification, Publication, and Operational Enrichment
Computer Incident Response Center Luxembourg (CIRCL)(卢森堡计算机事件响应中心)
提出一种去中心化、开放、可扩展的漏洞识别、发布和丰富模型GCVE,通过结合自主编号机构、轻量分配规则和分布式发布,弥补现有集中式漏洞生态的不足。
2026-05-30 cs.CR
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
SMS Goes Nuclear: Fortifying SMS-Based MFA in Online Account Ecosystem
随着在线服务的快速增长,在线账户的数量激增。单个用户账户的安全性不再仅仅依赖于其自身的服务提供商,还依赖于其他服务平台上的账户(我们将这种在线账户环境称为在线账户生态系统)。在本文中,我们首先揭示了在线帐户生态系统的脆弱性,这源于有缺陷的多因素身份验证(MFA),特别是基于SMS的验证,以及不同平台上的帐户之间的依赖性。我们提出了连锁反应攻击,利用在线帐户生态系统中的最薄弱点,并最终危及最安全的平台。此外,我们设计并实现了ActFort,一个系统的方法来检测在线帐户生态系统的脆弱性,通过分析认证凭证因素和敏感的个人信息,以及评估在线帐户之间的依赖关系。我们评估我们的系统上列出的Alexa在不同领域的数百个代表性的在线服务。基于ActFort的分析,我们对当前的在线账户生态系统提出了一些实用的见解,并提出了一些可行的对策,包括在线账户暴露信息保护机制和内置身份验证,以加强在线账户生态系统的安全性。
2021-07-19 cs.CR cs.NI
DySec: A Machine Learning-based Dynamic Analysis for Detecting Malicious Packages in PyPI Ecosystem
针对 PyPI 供应链缺乏实时行为监控的问题,提出基于机器学习的动态分析框架 DySec,利用 eBPF 探针捕获安装时行为特征,高效检测恶意软件包并显著降低假阴性率。
2025-03-01 cs.CR cs.SE
Beyond Single Bugs: Benchmarking Large Language Models for Multi-Vulnerability Detection
BITS Pilani(比斯·比兰迪大学);Virginia Tech(弗吉尼亚理工大学)
本文提出多漏洞检测基准测试,评估LLMs在不同漏洞密度下的性能,发现高密度下性能显著下降,尤其在Python和JavaScript中表现较差。
2025-12-26 cs.AI cs.CR
Measuring the Security of the Evolving Software Supply Chain: a Research Agenda
CrySyS Lab Budapest Univ. of Technology and Economics(布达佩斯技术与经济大学 CrySyS 实验室)
本文提出研究议程,通过知识系统化识别依赖建模与漏洞传播的不足,主张统一测量跨生态系统依赖结构,并应对AI辅助开发带来的新依赖模式挑战。
2026-09-09 cs.CR cs.SE
VulLibGen: Generating Names of Vulnerability-Affected Packages via a Large Language Model
本文提出 VulLibGen,首次利用 LLM 直接生成受漏洞影响的软件包名称,并结合 SFT、RAG 与局部搜索后处理,在四大生态系统上将平均准确率提升至 0.806。
2024-05-18 cs.CR
A First Look at GPT Apps: Landscape and Vulnerability
University of Southern California(南加州大学);Beijing University of Posts and Telecommunications(北京邮电大学)
本文通过对两个GPT应用商店为期5个月的纵向研究,揭示用户热情持续上升但创建者兴趣趋稳,且近90%系统提示因配置未安全保护可被轻易访问,强调需加强LLM应用生态系统安全。
2024-11-27 cs.CL cs.CR
An Empirical Study of Vulnerable Package Dependencies in LLM Repositories
本文实证分析 52 个开源 LLM 的第三方依赖漏洞及维护活动,并与 Python 生态系统比较,揭示漏洞披露滞后和配置文件普遍含脆弱依赖的问题。
2025-08-29 cs.CR cs.SE
Vulnerability Analysis of 2500 Docker Hub Images
容器技术的使用在过去几年中飞速发展,Docker是领先的容器平台。Docker的公开可用容器镜像的在线存储库称为Docker Hub,在撰写本文时托管了超过350万个镜像,使其成为世界上最大的容器镜像社区。我们对2500个Docker镜像进行了广泛的漏洞分析。执行这种类型的分析特别有趣,因为漏洞环境是一个快速变化的类别,漏洞扫描器不断开发和更新,新的漏洞被发现,Docker Hub上的图像量每天都在增加。我们的主要发现揭示了(1)Docker Hub上新引入的漏洞数量正在迅速增加;(2)认证镜像最容易受到攻击;(3)官方镜像最不容易受到攻击;(4)漏洞数量与镜像特征之间没有相关性(即,pull数、star数和自上次更新以来的天数);(5)最严重的漏洞源自两种最流行的脚本语言,JavaScript和Python;以及(6)Python 2.x包和jackson-databind包包含最多的严重漏洞。我们认为我们的研究是过去几年公开文献中发表的最广泛的脆弱性分析。
2020-06-11 cs.CR
Expert-in-the-Loop Systems with Cross-Domain and In-Domain Few-Shot Learning for Software Vulnerability Detection
本研究针对网络威胁下的高效软件漏洞检测需求,对比大语言模型不同提示策略并结合基于置信度的专家在环路由机制,验证了少样本提示的性能提升效果,为AI辅助漏洞检测系统部署提供基础。
2025-06-11 cs.CR cs.SE
GraftyVul: Synthesising Insecure Programs Through Real-World Vulnerability Grafting
University of New South Wales(新南威尔士大学);Nullify;CSIRO(澳大利亚联邦科学与工业研究组织)
GraftyVul是通过将真实世界漏洞植入开源项目构建不安全程序的系统,生成212个跨5种语言、23个CWE类别的可验证漏洞程序,在多样性等指标上优于13个常用数据集,可用于评估漏洞修复系统。
2026-08-31 cs.CR cs.SE
Eradicating the Unseen: Detecting, Exploiting, and Remediating a Path Traversal Vulnerability across GitHub
本研究开发自动化流水线,在 GitHub 上检测并利用路径遍历漏洞(CWE-22),识别出 1,756 个受影响项目,其中 14% 已修复,并探讨了根本原因及对 LLM 的污染,强调自动化漏洞管理的重要性。
2025-05-26 cs.CR
Security Issues in Language-based Software Ecosystems
生态系统(LBE),即:基于单一程序设计语言的软件生态系统是非常常见的。例子包括JavaScript的npm生态系统和Python的PyPI。这些环境鼓励包之间的代码重用,并结合实用程序-包管理器-用于自动解决依赖关系。然而,使这些系统流行的相同方面-易于发布代码和导入外部代码-也产生了新的安全问题,到目前为止几乎没有研究。我们提出了一个系统的研究困扰LBE的安全问题。这些问题是这些生态系统工作方式所固有的,无法通过修复软件包或实用程序中的软件漏洞来解决,例如,包管理器工具,构建这些生态系统。我们从各个方面系统地描述了最近的安全攻击,包括攻击策略,向量和目标。我们对npm和PyPI生态系统的表征和深入分析表明,这些生态系统代表了最大的LBE,覆盖了近100万个包,这表明这些生态系统为攻击者提供了一个合适的环境,可以进行隐形攻击。总的来说,我们认为(i)完全自动检测恶意软件包可能是不可行的;但是(ii)帮助开发人员评估包括外部依赖项的风险的工具和指标将大大有助于防止攻击。
2021-11-30 cs.CR
PyFEX: Uncovering Evasive Python-based Threats via Resilient and Exhaustive Path Exploration
CISPA Helmholtz Center for Information Security(CISPA赫尔姆霍兹信息安全中心);University of Electronic Science and Technology(电子科技大学);Shanghai Jiao Tong University(上海交通大学);Max Planck Institute for Security and Privacy(马克斯·普朗克安全与隐私研究所)
提出PyFEX弹性强制执行引擎,通过强制遍历所有条件分支、崩溃恢复和路径合并等技术,系统性地探索程序行为空间,以检测现有工具遗漏的恶意行为。
2026-06-01 cs.CR
Taint-Style Vulnerability Detection and Confirmation for Node.js Packages Using LLM Agent Reasoning
Carnegie Mellon University(卡内基梅隆大学);Google(谷歌)
本文提出LLMVD.js,通过LLM代理实现Node.js包的污点式漏洞检测与验证,有效率达84%,优于传统方法,无需注解或报告。
2026-04-22 cs.AI cs.CR cs.SE
Vulnerability Detection in Open Source Software: An Introduction
本文介绍了开源软件漏洞产生的原因、它们在网络安全生态系统中的重要性以及检测方法的选择。最近的一份应用程序安全报告显示,44%的应用程序在开源组件中包含关键漏洞,这一比例令人担忧。大多数公司没有一种可靠的方式,可以在发现零日漏洞时直接及时通知,然后在补丁可用时通知。这意味着开源中的攻击媒介存在的时间超过了必要的时间。传统的方法来脆弱性检测概述了一些新的研究趋势。得出的结论是,它可能不可能完全取代专家的人检查的开放源码软件,虽然它可以有效地增强技术,如机器学习,IDE插件和存储库链接,使实施和审查时间不那么密集。任何技术进步的基础都应该是人类更好的知识。开发团队需要培训、指导和改进,以便他们能够更安全地实现开源,知道要寻找哪些漏洞以及如何处理它们。使用这种混合方法进行检测是关键。
2022-03-06 cs.CR
Vulnerability, Where Art Thou? An Investigation of Vulnerability Management in Android Smartphone Chipsets
该研究针对安卓芯片组漏洞管理缺失研究的问题,构建含3676个漏洞的统一知识库,发现漏洞跨代继承、90天披露期难遵守等问题,提出改进建议并为相关研究提供支撑。
2024-12-09 cs.CR
Demystifying Cookie Sharing Risks in WebView-based Mobile App-in-app Ecosystems
Beijing University of Posts and Telecommunications(北京邮电大学);Huazhong University of Science and Technology(华中科技大学)
本文发现了小程序生态中因共享WebView导致的跨小程序Cookie共享(CMCS)漏洞,开发静态分析工具MiCoScan检测到大量受影响小程序,凸显了完善隔离机制的紧迫性。
2025-10-28 cs.CR
Study of JavaScript Static Analysis Tools for Vulnerability Detection in Node.js Packages
本文首次对Node.js代码漏洞检测的静态分析工具进行实证研究,构建了包含957个漏洞的最大精选数据集,测试九种工具发现最佳组合仅检测出57.6%的漏洞且精确率极低,为该领域提供了新基准。
2023-01-12 cs.CR
Vexed by VEX tools: Consistency evaluation of container vulnerability scanners
KTH Royal Institute of Technology(皇家理工学院)
本文评估了多种容器漏洞扫描工具在不同数据集上的表现,发现工具间一致性较低,表明VEX生成工具生态尚不成熟。
2026-03-26 cs.CR
Small World with High Risks: A Study of Security Threats in the npm Ecosystem
JavaScript的流行导致了一个通过npm软件包注册表提供的第三方包的大型生态系统。npm的开放性推动了它的发展,提供了超过80万个免费和可重用的软件包。不幸的是,这种开放的性质也会导致安全风险,最近发生的单个软件包破坏或攻击数百万台计算机上运行的软件的事件就是明证。本文通过系统地分析软件包之间的依赖关系、负责这些软件包的维护者以及公开报告的安全问题,研究了npm用户的安全风险。通过研究由于第三方依赖而运行易受攻击或恶意代码的可能性,我们发现单个软件包可能会影响整个生态系统的大部分。此外,极少数的维护者帐户可以被用来将恶意代码注入到大多数软件包中,这个问题随着时间的推移而增加。通过研究意外使用易受攻击代码的可能性,我们发现缺乏维护会导致许多软件包依赖于易受攻击的代码,即使在漏洞公开多年后也是如此。我们的研究结果提供的证据表明,npm遭受单点故障和未维护的软件包威胁大型代码库。我们讨论了几种缓解技术,如可信的维护者和总的第一方安全,并分析其潜在的有效性。
2019-06-07 cs.CR
TaintSentinel: Path-Level Randomness Vulnerability Detection for Ethereum Smart Contracts
University of Salerno(萨莱诺大学);Luleå University of Technology(吕勒奥理工大学)
针对以太坊智能合约随机数漏洞,本文提出路径敏感的 TaintSentinel,通过规则污点分析、双流神经网络及 PathGNN/GlobalGCN 提升检测精度。
2025-10-21 cs.CR
Using ChatGPT as a Static Application Security Testing Tool
Research Center for Development of Advanced Technologies(先进技术发展研究中心)
本文探究ChatGPT用于Python源代码漏洞检测的可行性,通过提示词输入漏洞数据,在两个数据集上与Bandit、Semgrep、SonarQube三款主流静态安全测试工具对比,发现ChatGPT可降低误报和漏报率,具备相关应用潜力。
2023-08-28 cs.AI cs.CR