通过运用漏洞评估工具，我们从国家漏洞数据库和专为开发监测的 Web 资源中手动收集并精选了一批开源软件漏洞的数据集，共映射到 205 个不同的开源 Java 项目中的 624 个漏洞， 并且可通过支持脚本自动检索相应的存储库的实际内容，并补充每个实例可用的属性，这已被成功用来训练分类器，以自动识别代码存储库中的安全关联提交。

Feb, 2019

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

本文提出了一个能够有选择地触发源代码的安全审查的框架，通过作为代码审查服务中的审查机器人，该框架能够在代码更改提交到源代码存储库之前，在提交前自动请求额外的安全审查。该框架使用经过训练的分类器来识别具有漏洞的代码更改，采用多种类型的输入特征分析审查模式、跟踪软件工程过程以及挖掘给定代码更改中的特定文本模式。经过数据优化后的分类器及其特征使用了来自所提交代码更改以及 Android 开源项目（AOSP）中报告的漏洞的数据。评估结果表明，我们的漏洞预防（VP）框架能够在数据集中识别出约 80% 的引起漏洞的代码更改，精度比大约为 98%，误报率约为 1.7%。本文探讨了在多项目环境中部署 VP 框架的影响以及 Android 安全性研究的未来方向。本文探索和验证了我们对代码更改粒度漏洞预测方法的方法，并提供了一种在提交之前预防性地检测到有漏洞代码更改的软件安全技术。

May, 2024

当前迅速发展的技术环境和先进的软件开发使得网络安全攻击的增加成为一个紧迫问题，通过利用主题建模和机器学习来检测软件需求过程中的早期漏洞已经取得成功，并且未来的研究旨在采用多种监督式机器学习技术提高自动化和建立软件需求与漏洞之间的联系。

Nov, 2023

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。

Jan, 2018

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

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

MiDas 是一个用于检测软件组合分析工具中存在的漏洞的多粒度检测器，利用不同的神经网络检测代码变更的不同粒度，通过将所有基础模型合并的组合模型生成最终的预测。对于 Java 和基于 Python 的数据集，MiDas 在 AUC 方面优于当前最先进的基线 4.9％和 13.7％。此外，在 EffortCost@L 和 Popt@L 等关键指标上，MiDas 还取得了显着的改进。

May, 2023

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

研究了软件项目中不同因素对于识别漏洞的准确性的影响，通过挖掘软件库中的漏洞并使用机器学习技术进行自动检测。通过实验发现，将基于词袋模型的签名与随机森林模型相结合，在 17 个真实世界项目中能提高 4% 的检测准确率，并观察到在跨域中转移漏洞签名的局限性。

Jun, 2024