Do Software Security Practices Yield Fewer Vulnerabilities?
本研究构建软件安全实践得分与漏洞数的机器学习模型,发现四项实践影响最大,但模型预测R²仅9%-12%,且安全得分高的包报告漏洞反而更多,建议优化相关指标以提供有效安全指导。
2023-06-15 cs.CR cs.SE
Investigating Vulnerability Disclosures in Open-Source Software Using Bug Bounty Reports and Security Advisories
本文对3,798条GitHub安全公告和4,033份OSS漏洞悬赏报告进行实证研究,首次明确OSS漏洞从安全公告和悬赏报告传播至全球漏洞数据库的过程,揭示了CVE分配的遗漏与延迟问题,并提出改善建议。
2025-01-29 cs.CR cs.SE
Smart-LLaMA: Two-Stage Post-Training of Large Language Models for Smart Contract Vulnerability Detection and Explanation
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
针对智能合约漏洞检测中数据集质量差、LLM领域适应性弱和缺乏解释的问题,提出Smart-LLaMA,通过两阶段后训练实现检测与解释,F1提升6.49%。
2024-11-09 cs.AI cs.CR cs.SE
Coca: Improving and Explaining Graph Neural Network-Based Vulnerability Detection Systems
针对基于GNN的漏洞检测系统可解释性不足、易产生虚假冗余解释的问题,提出含训练器与解释器的Coca框架,通过组合对比学习增强模型鲁棒性,借助双视图因果推断生成高质量解释,经三类典型检测器验证效果显著。
2024-01-26 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
Security Is Relative: Training-Free Vulnerability Detection via Multi-Agent Behavioral Contract Synthesis
College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics(南京航空航天大学计算机科学与技术学院)
本文提出Phoenix框架,通过行为合同合成解决漏洞检测中的语义模糊问题,实现更高准确率的漏洞识别,使用开源模型达到更小规模和更优性能。
2026-04-21 cs.CR cs.SE
Bridging the Gap: A Study of AI-based Vulnerability Management between Industry and Academia
本文通过基于讨论的研究识别出工业界难以采用学术AI漏洞管理模型的三大障碍,并提出未来方向以提升研究的实际可用性并促进产学协同。
2024-05-03 cs.CR cs.SE
A Data-Mining Based Study of Security Vulnerability Types and Their Mitigation in Different Languages
本研究通过数据挖掘分析常用编程语言的安全问题与修复模式,发现同类型安全问题在不同语言中表现及修复方案差异大,同规模同任务项目的常见弱点也不同,相关统计可提供安全参考。
2024-05-12 cs.CR cs.SE
Fundamental Challenges in Cybersecurity and a Philosophy of Vulnerability-Guided Hardening
本文从哲学视角提出首个网络安全理论,阐明无法对软件系统安全性做出可靠论断的根本原因,并引入漏洞引导式加固的哲学以应对这些挑战。
2024-09-03 cs.CR cs.SE
A Comparative Analysis of Vulnerability Management Tools: Evaluating Nessus, Acunetix, and Nikto for Risk Based Security Solutions
针对网络安全威胁态势演变下组织选择漏洞管理工具的挑战,本文全面比较分析Nessus、Acunetix和Nikto的检测准确率、CVSS风险评分等多维度指标,为基于风险的安全解决方案提供工具选择参考。
2024-11-28 cs.CR
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
Assessing Vulnerability in Smart Contracts: The Role of Code Complexity Metrics in Security Analysis
Università della Svizzera italiana(瑞士意大利语大学)
本研究探讨了代码复杂度度量在识别智能合约安全漏洞中的作用,发现复杂度度量能有效区分安全与脆弱代码,但单一指标不足以直接导致漏洞。
2026-01-23 cs.CR cs.SE
VulInstruct: Teaching LLMs Root-Cause Reasoning for Vulnerability Detection via Security Specifications
Peking University(北京大学);Tsinghua University(清华大学);Harbin Institute of Technology(哈尔滨工业大学);New H3C Technologies Co., Ltd(新华三技术有限公司)
VulInstruct通过从历史漏洞中系统提取安全规范,指导LLMs进行漏洞检测,提升了漏洞识别的准确性和推理能力,实现了更高的F1分数和召回率。
2026-03-28 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
Data-Driven Vulnerability Detection and Repair in Java Code
Java平台提供了各种API来促进安全编码。然而,对于缺乏网络安全培训的开发人员来说,正确使用安全API通常具有挑战性。先前的工作表明,许多开发人员滥用安全API;这种滥用可能会将漏洞引入软件,使安全保护无效,并向黑客提供安全漏洞。为了消除这种API相关的漏洞,本文提出了SEADER -我们的新方法,检测和修复安全API滥用。给定一个示例性的不安全代码片段及其安全对应代码片段,SEADER会比较这些代码片段并进行数据依赖性分析,以推断安全API滥用模板和相应的修复操作。根据推断的信息,给定一个程序,SEADER执行过程间静态分析,以搜索任何安全API滥用,并针对这些漏洞提出定制的修复建议。为了评估SEADER,我们将其应用于25个<不安全,安全>代码对,SEADER成功地推断出18个独特的API误用模板和相关修复。通过这些漏洞修复模式,我们进一步将SEADER应用于10个开源项目,这些项目总共包含32个已知漏洞。我们的实验表明,SEADER检测漏洞的准确率为100%,召回率为84%,准确率为91%。此外,我们将SEADER应用于100个Apache开源项目,并检测到988个漏洞; SEADER始终正确地定制修复建议。根据SEADER的输出,我们提交了60个pull requests。截至目前,已有18个项目的开发商对SEADER的建议给予了积极的反馈。我们的研究结果表明,SEADE…
2021-02-13 cs.CR cs.SE
Automatic Web Security Unit Testing: XSS Vulnerability Detection
将安全测试集成到软件开发人员的工作流程中,不仅可以节省单独安全测试的资源,还可以通过在开发周期的早期检测来降低修复安全漏洞的成本。我们提出了一种自动测试方法来检测一种常见的跨站点脚本(XSS)漏洞所造成的不受信任的数据的不正确编码。我们自动提取在Web应用程序中使用的编码函数来清理不可信的输入,然后通过自动生成XSS攻击字符串来评估其有效性。我们的评估表明,这种技术可以检测到0天的XSS漏洞,不能发现的静态分析工具。我们还将证明我们的方法可以有效地覆盖常见类型的XSS漏洞。这种方法可以推广到针对其他类型注入(如命令行注入)的输入验证测试。
2018-04-02 cs.CR
ContractFuzzer: Fuzzing Smart Contracts for Vulnerability Detection
去中心化的加密货币的特点是使用区块链在没有中央机构的网络上的同行之间转移价值。智能合约是在区块链共识协议之上运行的程序,使人们能够在最小化信任的同时达成协议。数以百万计的智能合约已经部署在各种分散的应用程序中。这些智能合约中的安全漏洞对其应用程序构成了重大威胁。事实上,以太坊平台上智能合约中的许多关键安全漏洞已经给用户造成了巨大的经济损失。在这项工作中,我们提出了ContractFuzzer,一种新颖的模糊器,用于测试以太坊智能合约的安全漏洞。ContractFuzzer基于智能合约的ABI规范生成模糊输入,定义测试预言机来检测安全漏洞,仪表EVM记录智能合约运行时行为,并分析这些日志以报告安全漏洞。我们对6991份智能合约进行了模糊处理,高精度地标记了超过459个漏洞。特别是,我们的fuzzing工具成功地检测到了导致6000万美元损失的DAO合约漏洞,以及导致3000万美元损失和价值1.5亿美元的以太币冻结的Parity Wallet漏洞。
2018-08-03 cs.CR cs.SE
The Security War in File Systems: An Empirical Study from A Vulnerability-Centric Perspective
本文从可扩展性的角度对现代文件系统的安全性进行了系统的研究。具体来说,我们收集了377个文件系统漏洞提交到过去20年的CVE数据库。我们从四个维度来描述它们,包括为什么会出现漏洞,如何利用漏洞,会产生什么后果,以及如何修复漏洞。通过这种方式,我们可以深入了解文件系统面临的攻击面、攻击面造成的威胁以及减轻文件系统中攻击的良好和不良做法。我们设想,我们的研究将带来的见解对未来的发展文件系统,增强文件系统的安全性,以及相关的漏洞缓解解决方案。
2022-04-26 cs.CR
Graph Neural Networks for Vulnerability Detection: A Counterfactual Explanation
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);School of Electrical Engineering, Computing and Mathematical Sciences, Curtin University(科廷大学电气、计算与数学科学学院);School of Big Data and Software Engineering, Chongqing University(重庆大学大数据与软件学院);School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院)
针对现有基于事实推理的GNN漏洞检测解释器无法回答假设性问题的不足,提出新型反事实解释器CFExplainer,通过寻找最小代码图扰动定位漏洞根因,实验证明其效果优于现有最先进的事实推理解释器。
2024-07-15 cs.AI cs.CR cs.SE
Artificial Intelligence Techniques for Security Vulnerability Prevention
几十年来,计算机安全一直是人们关注的问题,而人工智能技术应用于该领域的时间也几乎一样长。大多数技术都被应用于检测对运行系统的攻击,但机器学习(例如,自然语言处理)的最新改进使得有机会处理软件和规范,以便在部署系统之前检测系统中的漏洞。本文介绍了一个调查的人工智能技术(包括机器学习),以检测或修复安全漏洞之前,产品介绍。在调查的论文中,介绍了使用NLP分析安全标准完整性需求文档的技术,执行软件的神经模糊测试,生成漏洞来检测风险等等。我们将当前的技术分为3组:漏洞检测,漏洞修复和规范分析。一般来说,虽然人工智能技术在这一领域已经变得非常有用,但我们表明,人工智能技术的范围仍然有限,提供了一系列工具,可以增强但不能取代谨慎的系统开发,以降低漏洞风险。
2019-12-14 cs.CR
Few-Sample Named Entity Recognition for Security Vulnerability Reports by Fine-Tuning Pre-Trained Language Models
Stevens Institute of Technology(史蒂文斯理工学院)
公共安全漏洞报告(例如,CVE报告)在计算机和网络系统的维护中起着重要的作用。安全公司和管理员依靠这些报告中的信息来确定为客户开发和部署补丁程序的任务的优先级。由于这些报告是非结构化文本,因此自动信息抽取(IE)可以通过将非结构化报告转换为结构化表格来帮助放大处理,例如,软件名称和版本以及漏洞类型。现有的自动IE安全漏洞报告的工作往往依赖于大量的标记训练样本。然而,创建大量的标记训练集既昂贵又耗时。在这项工作中,第一次,我们建议调查这个问题,只有少量的标记训练样本。特别是,我们研究了在我们的小训练数据集上微调几个最先进的预训练语言模型的性能。结果表明,通过预先训练的语言模型和精心调整的超参数,我们在这项任务上已经达到或略优于最先进的系统。与之前的两步过程一致,首先对主类别进行微调,然后迁移学习到其他类别,如[7]中,如果按照我们提出的方法,则所需的标记样本的数量在两个阶段中大幅减少:微调从5758减少90%到576,迁移学习减少88.8%,每个类别64个标记样本。因此,我们的实验证明了小样本学习NER的安全漏洞报告的有效性。这一结果为安全漏洞报告的少样本学习提供了多种研究机会,本文对此进行了讨论。代码:https://github.com/guanqun-yang/FewVulnerability.
2021-08-14 cs.CL cs.CR cs.SE
SETC: A Vulnerability Telemetry Collection Framework
针对安全研究中漏洞利用数据生成的难题,提出自动化框架SETC,通过隔离容器与模块化配置实现可扩展、可复现的漏洞遥测采集,支撑防御安全研究创新。
2024-06-10 cs.CR
One Is Not Enough: The Untold Story of Multiple Security Patches for One Vulnerability
Nankai University(南开大学);Nanyang Technological University(南洋理工大学);Qi An Xin Technology Group(奇安信科技集团)
本研究首次大规模实证揭示多补丁漏洞的普遍性,提出两级分类法并开发SPectre工具,显著提升补丁发现覆盖率,发现系统性的未报告补丁问题。
2026-09-09 cs.CR cs.SE
Ulysses: A Security Harness For Synthesizing Verifiable Web Exploits
Carnegie Mellon University(卡内基梅隆大学);Language Technologies Institute(语言技术研究所);INESC-ID;Instituto Superior Técnico(里斯本高等技术学院);Faculdade de Engenharia do Porto(波尔图工程学院)
Ulysses是一种多智能体安全管控工具,可合成Web应用的可验证漏洞利用程序,在含25个真实Web应用的基准WebExploitGym上,成功为10个真实漏洞生成证明并发现4个新漏洞。
2026-10-26 cs.CR cs.SE
PoCEvolve: Generating Proof-of-Concept Exploits from Security Patches with Vulnerability-Aware Prompt Evolution
The University of Sydney(悉尼大学);Singapore Management University(新加坡管理大学);Monash University(莫纳什大学)
研究修复提交与详细漏洞报告可用性的延迟问题,提出PoCEvolve框架,可从漏洞修复提交直接生成概念验证漏洞利用程序,通过评估相关上下文指导提示进化,在不同模型上有不同成功率提升。
2026-07-27 cs.CR cs.SE
Improving Smart Contract Security with Contrastive Learning-based Vulnerability Detection
针对智能合约漏洞检测中忽略合约间相关性的问题,提出对比学习增强方法Clear,通过捕获合约间细粒度相关性并结合语义信息,在4万+合约数据集上F1分数较现有深度学习方法提升9.73%-39.99%。
2024-04-27 cs.CR cs.SE
Vulnerability Scanners-A Proactive Approach To Assess Web Application Security
随着人们对网络安全性的日益关注,人们提出了许多方法来保护网络免受未经授权的访问。采用了新的方法,以找到可能损坏网络的潜在差异。最常用的方法是脆弱性评估。所谓脆弱性,我们指的是系统中使其易于受到攻击的潜在缺陷。对这些系统脆弱性的评估提供了一种手段,以确定和制定新的战略,以保护系统免受损害的风险。本文重点介绍了各种漏洞扫描器及其相关方法的使用,以检测网络中的Web应用程序或远程主机中的各种漏洞,并试图确定可以部署以保护网络的新机制。
2014-03-27 cs.CR
FORGE: An LLM-driven Framework for Large-Scale Smart Contract Vulnerability Dataset Construction
针对手动构建智能合约漏洞数据集的低效与分类不一致问题,提出LLM驱动的自动化框架FORGE,从审计报告提取漏洞并按CWE分类,生成大规模数据集,验证了高精度并揭示现有工具局限。
2025-06-23 cs.CR cs.SE
Vulnerability Patching Across Software Products and Software Components: A Case Study of Red Hat's Product Portfolio
University of Southern Denmark(南丹麦大学)
本文基于分段回归分析研究了1999至2024年Red Hat产品和组件的漏洞修补时间序列,发现易受攻击数量呈不稳定的线性趋势且存在断点,表明安全债务可能趋于稳定。
2025-09-16 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
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
Silent Vulnerable Dependency Alert Prediction with Vulnerability Key Aspect Explanation
由于方便,开源软件被广泛使用。出于有益的原因,开源维护者经常默默地修复漏洞,使他们的用户不知道威胁的更新。以往的工作都集中在黑盒二进制检测的沉默的依赖警报,遭受高误报率。开源软件用户需要自己分析和解释人工智能预测。可解释的人工智能作为黑盒人工智能模型的补充变得引人注目,它以各种形式提供细节来解释人工智能决策。注意到仍然没有技术可以及时发现沉默的依赖警报,在这项工作中,我们提出了一个框架,使用编码器-解码器模型与二进制检测器提供可解释的沉默的依赖警报预测。我们的模型生成4种类型的漏洞关键方面,包括漏洞类型,根本原因,攻击向量和影响,以提高可信度和用户接受警报预测。通过几个模型和输入的实验,我们证实了提交消息和代码更改的CodeBERT达到了最佳效果。我们的用户研究表明,可解释的警报预测可以帮助用户更容易地找到沉默的依赖警报比黑盒预测。据我们所知,这是第一个将可解释人工智能应用于无声依赖警报预测的研究工作,打开了相关领域的大门。
2023-02-15 cs.CR cs.SE
Microservice Vulnerability Analysis: A Literature Review with Empirical Insights
该研究综述62篇文献并识别126个微服务安全漏洞,提出按架构特征划分的漏洞分类法,且用三种工具扫描四个基准应用加以验证和映射分析。
2024-07-31 cs.CR cs.SE
Towards an open standard for assessing the severity of robot security vulnerabilities, the Robot Vulnerability Scoring System (RVSS)
Alias Robotics S.L.(Alias Robotics 有限公司);IOActive Inc.(IOActive 公司)
机器人通常不会以安全为主要关注点。与典型的IT系统相比,网络物理系统依赖于安全性来处理安全问题。鉴于前者,经典的评分方法,如通用漏洞评分系统(CVSS)无法准确捕捉机器人漏洞的严重性。目前的研究工作重点是创建一个开放和免费访问的机器人漏洞评分系统(RVSS),该系统考虑了机器人技术中的主要相关问题,包括a)机器人安全方面,b)评估给定漏洞的下游影响,c)库和第三方评分评估以及d)环境变量,例如漏洞披露或暴露在网络上的时间。最后,RVSS与对比CVSS的实验评估,并重点讨论了机器人安全景观。
2021-11-12 cs.CR cs.RO
Boosting Cybersecurity Vulnerability Scanning based on LLM-supported Static Application Security Testing
本文提出LSAST方法,将本地部署的大语言模型与SAST扫描器及知识检索系统结合,在保护隐私的同时提升漏洞检测准确性,为静态漏洞分析设立新基准。
2024-11-22 cs.CR
Vulnerability of linear systems against sensor attacks--a system's security index
Lund University(隆德大学);University of Melbourne(墨尔本大学)
研究线性系统在传感器攻击下的安全指数,利用纠错编码理论提出攻击检测与纠正的充分条件。
2016-02-21 cs.CR cs.SY eess.SY
Policy-Driven Vulnerability Risk Quantification framework for Large-Scale Cloud Infrastructure Data Security
Northeastern University(东北大学)
本文提出MVRAF框架,通过整合异构攻击属性、分析风险因素相关性及累积风险分布,提升大规模CVE安全分析的自动化和量化水平。
2026-03-30 cs.CR
A Large-scale Study of Security Vulnerability Support on Developer Q&A Websites
安全漏洞(Security Vulnerabilities,SV)对软件系统构成了严重的威胁。开发人员通常在开发人员问答(Q&A)网站上寻求解决这些SV的解决方案。然而,在不同的开发者问答网站上,关于特定于SV的讨论仍然知之甚少。目的:我们提出了一个大规模的实证研究,以了解开发人员的SV讨论,以及这些讨论是如何支持的问答网站。方法:我们首先从两个大型Q&A网站(即Stack Overflow(SO)和Security StackExchange(SSE))中收集71,329个SV帖子。然后,我们使用主题建模来揭示SV相关讨论的主题,并分析每个主题的流行度,难度和专业知识水平。我们还进行定性分析,以确定SV相关问题的解决方案类型。结果:我们确定了13个主要的SV讨论主题的Q&A网站。许多主题并不遵循基于专家的安全资源(如常见弱点枚举(CWE)和开放Web应用程序安全项目(OWASP))中的分布和趋势。我们还发现,SV讨论吸引更多的专家回答比许多其他领域,但一些困难的SV主题(例如,漏洞扫描工具)仍然得到相当有限的支持,从专家。此外,我们确定了七个关键类型的回答SV的问题上的Q&A网站,其中SO经常提供代码和指令,而SSE通常给出经验为基础的建议和解释。结论:我们的研究结果提供了支持,研究人员和从业人员有效地获取,分享和利用SV知识的问答网站。
2021-04-21 cs.CR 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
Quantifying Memory Cells Vulnerability for DRAM Security
National University of Singapore(新加坡国立大学);University of Sheffield(谢菲尔德大学);Queen’s University Belfast(贝尔法斯特女王大学);Wiznet
本文提出一个量化内存单元电路框架,用于直接建模DRAM的物理电荷泄漏和干扰路径,评估其在挥发性、完整性及保密性方面的安全特性。
2026-03-19 cs.CR
A Ground-Truth-Based Evaluation of Vulnerability Detection Across Multiple Ecosystems
University of Applied Sciences Munich(慕尼黑应用科学大学);Findustrial
本文基于真实数据集评估多生态系统中漏洞检测工具的差异,展示了透明数据集构建对可重复安全研究的重要性。
2026-04-22 cs.CR cs.SE
Beyond Fidelity: Explaining Vulnerability Localization of Learning-based Detectors
Peking University(北京大学);University of Alberta(阿尔伯塔大学);Huazhong University of Science and Technology(华中科技大学);University of Queensland(昆士兰大学);University of New South Wales(新南威尔士大学)
本文评估了十种漏洞检测器解释方法,发现仅凭保真度不足以衡量其性能,且这些方法在定位漏洞相关代码行方面准确率普遍较差,原因在于解释器选特征低效及检测器学习了无关伪影。
2024-02-21 cs.CR cs.LG cs.SE
The Impact of a Major Security Event on an Open Source Project: The Case of OpenSSL
Heartbleed漏洞在2014年引起了OpenSSL的国际关注。这个几乎奄奄一息的项目是公共Web服务器和超过10亿台移动设备的关键安全组件。这个漏洞导致了对OpenSSL的新投资。目的:本研究的目标是确定Heartbleed漏洞如何改变OpenSSL的软件演变。我们研究漏洞、代码质量、项目活动和软件工程实践的变化。方法:我们使用混合方法,从网站收集多种类型的定量数据和定性数据,并采访了一位致力于Heartbleed后更改的开发人员。我们使用回归不连续性分析来确定Heartbleed导致的代码和项目活动指标的水平和斜率变化。结果:OpenSSL项目在Heartbleed之后对代码质量和安全性做出了巨大的改进。截至2016年底,OpenSSL每月提交数量增加了两倍,发现并修复了91个漏洞,代码复杂性显著降低,并获得了CII最佳实践徽章,证明其使用了良好的开源开发实践。结论:OpenSSL项目提供了一个开源项目在安全事件发生后如何适应和改进的模型。OpenSSL的发展表明,已知漏洞的数量并不是项目安全性的有用指标。少量的漏洞可能只是表明项目没有花费太多的精力来寻找漏洞。这项研究表明,项目活动和CII徽章最佳实践可能是比漏洞计数更好的代码质量和安全性指标。
2020-05-28 cs.CR cs.SE
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
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
Vulnerability Prioritization: An Offensive Security Approach
IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心);IBM Security(IBM安全事业部)
组织努力处理其云环境中的大量漏洞。用于确定漏洞优先级的实际方法是使用通用漏洞评分系统(CVSS)。然而,CVSS具有固有的局限性,这使得它不适合优先级。在这项工作中,我们提出了一种新的方式优先漏洞。我们的方法受到攻击性安全从业人员如何执行渗透测试的启发。我们通过一个大型客户的真实案例研究来评估我们的方法,以及机器学习端到端自动化流程的准确性。
2022-06-22 cs.AI cs.CR
Mono: Is Your "Clean" Vulnerability Dataset Really Solvable? Exposing and Trapping Undecidable Patches and Beyond
针对安全补丁数据集中标签错误、上下文不足和不可判定补丁问题,本文提出 LLM 驱动框架 mono,并通过 MegaVul 验证其在纠错、恢复漏洞和提升检测准确率方面的效果。
2025-06-11 cs.CR cs.SE
Ghera: A Repository of Android App Vulnerability Benchmarks
移动应用程序的安全性影响其用户的安全。这推动了自动检测移动应用程序中的漏洞并帮助开发人员保护其应用程序的技术的发展;特别是在Android平台的背景下,由于平台的开放性和普遍性。尽管在这一领域进行了大量的研究工作,但没有包含大多数已知Android应用程序漏洞的最新和精简基准的综合存储库,因此,可以用于严格评估现有和新的漏洞检测技术,并帮助开发人员了解Android应用程序漏洞。在本文中,我们描述了Ghera,一个开源的基准测试库,它捕获了Android应用程序中的25个已知漏洞(作为被利用/良性和利用/恶意应用程序对)。我们还介绍了我们在创建Ghera时发现的漏洞基准和存储库的理想特征。
2017-08-08 cs.CR cs.SE
An Attacker Modeling Framework for the Assessment of Cyber-Physical Systems Security
描述攻击者在网络物理系统中的行为对于确保这些系统的安全态势和恢复能力非常重要。传统的网络脆弱性评估方法依赖于网络安全专家的知识和经验来进行安全分析,在缺乏专家知识和经验的情况下可能不一致。本文提出了一种灵活的攻击者建模框架,通过模拟不同的攻击者行为来预测攻击进展并提供一致的系统漏洞分析,从而帮助进行安全分析。该模型提出了一种扩展的漏洞数据库架构,以最大限度地提高其有效性和一致性,在检测CPS漏洞,同时与现有的漏洞数据库兼容。该模型具有针对实际或虚拟CPS实施和模拟的能力。攻击者模型的执行被证明对模拟的工业控制系统架构,导致攻击者行为的概率预测。
2021-03-16 cs.CR
Web Vulnerability Scanners: A Case Study
云安全是许多公司最关心的问题之一。网站数量和规模的增长增加了对更好地保护这些网站的需求。手动测试和检测Web漏洞可能非常耗时。自动Web漏洞扫描器(WVS)有助于检测Web应用程序中的漏洞。Acunetix是广泛使用的漏洞扫描器之一。Acunetix也易于实施和使用。扫描结果不仅提供了漏洞的详细信息,还提供了有关修复漏洞的信息。AcuSensor和AcuMonitor(Acunetix使用的技术)有助于生成更准确的潜在漏洞结果。本文的目的之一是引导当前计算机安全的学生使用漏洞扫描器。其次,本文提供了一个文献综述相关的安全漏洞扫描器的主题。最后,从移动终端和浏览器的角度来解决Web漏洞。
2017-06-25 cs.CR
Vulnerability anti-patterns in Solidity: Increasing smart contracts security by reducing false alarms
本文提出基于开发者视角的Solidity轻量级静态检查方法,用于验证其他工具输出并标记误报,在三种前十漏洞上将误报减少92%至100%。
2024-10-22 cs.CE cs.CR cs.SE
AgenticVulHunter: Bringing Local Agentic Vulnerability Hunting to Your Terminal
Monash University(莫纳什大学);University of Melbourne(墨尔本大学)
本文提出AgenticVulHunter,一种可在本地开放权重LLM上运行的智能体安全代码审查工具,在SCRBench的144个漏洞案例上,其准确率优于复现的AgenticSCR方法。
2026-10-21 cs.CR cs.SE
Security Requirements of Commercial Drones for Public Authorities by Vulnerability Analysis of Applications
由于克服地理空间限制的能力以及融合各种信息通信技术的可能性,无人机的应用领域和市场规模在国际上正在增加。韩国的公共当局正在投资国内无人机行业和技术进步,作为国家创新和增长的动力。他们还在增加无人机用于各种目的。韩国政府通过执行安全兼容性验证和CCTV安全认证等政策,确保向公共当局引入的IT设备的安全性。考虑到无人机需求的增加以及对操作它们的组织可能产生的安全影响,政府需要在引入无人机时制定安全要求,但目前还没有这样的要求。本文通过分析4家制造商的商用无人机的应用,检查无人机的漏洞。我们还提出了解决漏洞的最低安全要求。我们希望我们的工作有助于改善公共当局运营的无人机的安全性。
2019-09-06 cs.CR
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