Sep, 2022

领域自适应和最大间隔原则的跨项目软件漏洞检测

PDF
TL;DR本文提出了一种基于深度领域自适应和跨域核分类器的端到端方法，解决软件漏洞检测中的自动表示和标记数据集不足等关键问题。实验结果表明，该方法在 F1-Measure 等指标上的性能显著优于现有方法。
software vulnerability detectionmachine learningdeep domain adaptationtransfer learningf1-measure
发现论文，激发创造
  • 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

  • 编程语言之间的软件漏洞预测知识转移

    使用转移学习技术，提出了一种智能自动软件漏洞检测模型，通过使用各种编程语言的代码样本训练卷积神经网络（CNN）模型，并使用可解释人工智能，成功检测出 C 和 Java 代码中的常见漏洞。

    Mar, 2023

  • 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

  • 用于受监督域自适应的耦合支持向量机

    本文提出了一种基于支持向量机的监督领域适应技术，通过模拟源域和目标域之间的支持向量机决策边界的相似性，将源支持向量机和目标支持向量机相耦合，并将模型简化为标准的单支持向量机。我们在多个数据集上测试耦合支持向量机，并将结果与其他流行的支持向量机领域适应方法进行了比较。

    Jun, 2017

  • 基于分层自适应结构 SVM 的领域自适应方法

    本文提出了一种基于多目标领域的自适应 SSVM（A-SSVM）的分层自适应方法，通过利用共性和差异性，提高了目标识别的准确性及精度。对行人检测和对象类别识别进行了验证，发现所提出的 HA-SSVM 相对于其他自适应策略，可以提高识别准确率，并且可以更好地发现目标数据的子域结构。

    Aug, 2014

  • T-SVDNet：探索多源域自适应的高阶样板相关性

    该研究提出了一种名为 T-SVDNet 的新方法，通过将 Tensor 奇异值分解（T-SVD）结合到神经网络的训练管道中，全面探索多个域和类别之间的高阶相关性，旨在更好地弥合域差距，实现多源域自适应。与其他方法相比，在公共基准测试上，该模型在解决 MDA 任务时表现卓越。

    Jul, 2021

  • 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

  • 领域自适应特征学习的理论分析和极其简易的算法

    本文分析了用于解决域适应问题的特征学习算法，并提出了一种新的极其简单的特征学习算法，用于域适应，并扩展了该算法以利用多层，从而导致深度线性模型。实验结果展示了这些算法的有效性。

    Sep, 2015

  • 非监督式视觉领域自适应：一种深度最大边际高斯过程方法

    采用高斯过程的方式进行大间隔后验分离问题的非监督领域适应研究。

    Feb, 2019

  • 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