本文介绍使用 Joern 工具和基于源代码控制流的级联深度学习模型 VMCDL, 处理 SARD 数据集中 CWE476、CWE469、CWE516、CWE570 等易受攻击漏洞类型的 C/C++ 源代码数据，以有效检测软件漏洞，对模型算法进行了测试评估，同时给出了特定漏洞的 Joern 测试结果和二分类模型算法的混淆矩阵和标签数据，证明能有效减少静态分析的误报率。

Mar, 2023

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

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

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

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

本文提出了一个两阶段解决方案，第一阶段采用 CNN 检测源代码是否存在漏洞（二元分类模型），第二阶段采用 CNN-LTSM 将漏洞分类为 50 种不同的漏洞类型（多类分类模型），并针对 SySeVR 数据集进行实验，结果表明第一和第二阶段的准确性分别达到 99% 和 98%。

May, 2023

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

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

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。

Mar, 2022

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