Jan, 2018

VulDeePecker: 基于深度学习的漏洞检测系统

PDF
TL;DR本文深入研究了利用基于深度学习的方法来检测软件漏洞问题，提出使用代码小部件作为软件程序的表示和基于此实现了 VulDeePecker 安全检测系统，实验结果表明，该系统可以通过较少的假阴性率来更好地检测到软件漏洞。
software vulnerabilitydeep learningcode gadgetsvuldeepeckerfalse negatives
发现论文，激发创造
  • 基于深度学习的漏洞检测：我们到达了吗？

    探讨了利用深度学习进行漏洞检测的现有技术面临的软件安全领域中高误报、高漏报且性能损失严重的问题，通过收集真实的训练数据和优化模型设计，实现了更好的自动化漏洞预测解决方案，取得了显著优于现有最好模型的预测性能。

    Sep, 2020

  • 使用深度表示学习自动检测源代码中的漏洞

    这项研究利用 C/C++ 开源代码，使用机器学习开发了一个基于函数级别的漏洞检测系统，并使用三个定位潜在攻击的静态分析器精心筛选标注了数百万个开源函数的数据集。研究表明深度学习源代码的特征表示法是一种自动化软件漏洞检测的有前途的方法。

    Jul, 2018

  • 深度学习的漏洞检测

    通过使用来自 C/C++ 程序源代码中提取的程序切片训练神经网络，我们可以检测软件漏洞并获得 92.49% 的准确率。

    May, 2024

  • SySeVR：一个用于使用深度学习检测软件漏洞的框架

    本研究提出了基于深度学习的软件漏洞检测框架 SySeVR，聚焦于获取能够适应漏洞有关的语法和语义信息的程序表示，并且实验证明该框架的实用性。

    Jul, 2018

  • 基于机器学习的自动化软件漏洞检测

    利用机器学习和深度神经网络，针对 C++ 程序开发了一种基于数据驱动的漏洞检测方法，研究结果表明结合源代码和神经网络特征，可以获得更可靠的漏洞检测结果，最高检测能力达到 0.87。

    Feb, 2018

  • 揭示未见安全实体之间的隐藏链接

    VulnScopper 是一种创新方法，利用多模态表示学习，结合知识图谱和自然语言处理，自动化和增强对软件漏洞的分析，显著提高了公共漏洞和曝光、常见弱点枚举和常见平台枚举之间的链接预测准确率。

    Mar, 2024

  • 评估指令微调对软件漏洞检测的效果

    通过对最新的语言模型的能力进行评估，研究了该模型在其训练数据中所使用的编程语言之外的领域的普适性，并检查了自然语言指令在提高这种普适性中的作用。研究通过对真实数据集的模型性能进行评估，以预测代码的脆弱性，从而对于深度学习在软件脆弱性检测中的应用作出了重要贡献。

    Jan, 2024

  • DiverseVul：一个新的深度学习漏洞检测漏洞源代码数据集

    提出并发布了一个新的易受攻击源代码数据集，通过获取安全问题网站、提取 缺陷修复提交和相应项目的源代码进行数据处理。使用此数据集与先前数据集相结合，研究使用深度学习检测软件漏洞的挑战和未来研究方向。同时，研究发现大型语言模型是未来漏洞检测的方向，在检测性能上优于手动特征工程的图神经网络。

    Apr, 2023

  • 深度学习系统的安全弱点和漏洞

    通过对 AI 软件系统中深度学习技术的脆弱性进行系统研究，我们提出了一个两流数据分析框架，探索各种数据库中的脆弱性模式，并进行了大规模实证研究来理解脆弱性的模式和修复中的挑战，以推进安全的深度学习系统的发展。

    Jun, 2024

  • 基于源代码表示的分布式深度集成学习的物联网终端漏洞挖掘系统（DCDetector）

    本研究提出了利用分布式深度集成学习模型检测 C/C++ 等高级编程语言源代码漏洞的方法，并采用敏感语句相关的切片来对源代码进行建模。实验结果表明，该方法可以有效地分析大规模漏洞数据并降低传统静态分析的误报率。

    Nov, 2022