Mar, 2022

使用图神经网络进行语句级漏洞检测 (LineVD)

PDF
TL;DR本研究提出了一种新的深度学习框架 LineVD，通过图神经网络和基于 Transformer 的模型识别程序的特定代码行，取得了 105％的 F1 得分提高，扩展了现有方法在软件漏洞检测方面的应用。
machine-learningsoftware vulnerability detectiondeep learninggraph neural networkstransformer-based model
发现论文，激发创造
  • 细粒度解释的漏洞检测

    通过人工智能自动识别漏洞的同时结合智能助手提供漏洞相关语句的解释信息，将敏感数据与控制依赖关系分离，使得 IVDetect 比现有方法更能辨别漏洞语句，并成功提高了解释和分析的置信度，目前 IVDetect 在漏洞数据库中的评估表现表明比现有 DL-based 方案有着更好的表现。

    Jun, 2021

  • 一种基于层次深度神经网络的代码漏洞检测方法

    本文提出了一种基于深度学习的方法，通过自然语言处理技术，从 LLVM IR 表示中检测源代码漏洞，并使用层次化处理方法，检测源代码中漏洞所在的代码行，经过在 NVD 和 SARD 中的真实和合成代码的广泛实验，实现了高达 98％的检测准确率。

    Nov, 2022

  • 基于信息论和对比学习的方法，识别导致软件漏洞的代码语句

    通过深度学习方法及聚类空间对比学习，精准识别程序漏洞中的漏洞相关代码语句，本方法运用于现实数据集上优于其他最新基线算法，显著提高 VCP、VCA、Top-10 ACC 等效果。

    Sep, 2022

  • 使用多任务自我教导的大型语言模型的安全漏洞检测

    通过将程序控制流图编码为图神经网络的多任务序列到序列 LLM 技术，结合多任务自我指导微调的自我说明和 LLM 自我指导，MSIVD 在漏洞检测方面取得了卓越的性能，达到了 0.92 的 F1 得分（BigVul 数据集）和 0.48 的 F1 得分（PreciseBugs 数据集）。

    Jun, 2024

  • 用于源代码漏洞识别的顺序图神经网络

    本文提出了一个用于帮助开发模型的 C/C++ 源代码漏洞数据集 CVEFunctionGraphEmbeddings（CVEFGE），该数据集是从 CVE 数据库中自动爬取的，并且提出了基于图神经网络的学习框架 SEquential Graph Neural Network（SEGNN）来学习大量的代码语义表示。我们的实验结果表明，SEGNN 在图分类设置中的表现优于两个数据集和四种基线方法。

    May, 2023

  • Devign：基于图神经网络学习全面程序语义的有效漏洞识别

    提出 Devign，基于图表征学习的图层级分类模型，旨在识别软件系统中的漏洞函数，能够有效地训练和提取代码的语义表示特征。经过广泛的数据集评估，结果表明该模型在准确率和 F1 得分上，明显优于现有技术。

    Sep, 2019

  • 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

  • 学习量化漏洞模式和匹配来定位语句级漏洞

    通过学习漏洞模式，提出一种基于漏洞匹配的新方法来检测软件漏洞，该方法在 188,000 个 C/C++ 函数的数据集上取得了 F1-score 94% 的高准确度。

    May, 2023

  • 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

  • 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