Jan, 2024

软件漏洞预测中的潜在漏洞：实证研究

HTML
PDF
TL;DR本研究通过分析两个常用的软件漏洞数据集中的潜在易受攻击函数，探讨了这些潜在漏洞函数在功能级和行级漏洞预测中的利用，并发现潜在函数能够显著提高漏洞预测模型的性能，并增强漏洞行定位的效果，从而为提高漏洞数据集质量和增强漏洞预测任务的性能迈出了有前景的第一步。
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

  • 领域自适应和最大间隔原则的跨项目软件漏洞检测

    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。

    Sep, 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

  • 用Transformer实现基于修改时间的代码漏洞检测：零样本、少样本或微调？

    本文采用机器学习和深度学习技术，提出了一种使用编辑时的不完整代码片段检测潜在代码漏洞的实用系统，通过LLMs等预训练模型的零样本、少样本和微调等方法，有效提高了潜在漏洞检测的准确性和效率。实验结果显示，相较于现有的漏洞检测模型，本文的方法可以提升10%左右的效果，并且在高风险代码场景下检测到的潜在漏洞可以减少达90%。

    May, 2023

  • 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

  • 低资源语言中的软件漏洞预测：CodeBERT 和 ChatGPT 的实证研究

    在新兴语言中，软件漏洞预测面临数据稀缺的挑战，CodeBERT的性能显著下降，而ChatGPT展现出有希望的结果，在低资源情况下提高了功能级和行级软件漏洞预测性能。

    Apr, 2024

  • 机器学习中漏洞检测的影响因素解析

    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

  • 深度学习漏洞检测在真实数据集上的性能再探讨

    该研究探讨了软件漏洞对日常软件系统的重大影响，评估了深度学习模型在现实场景中的表现，并发现了性能下降和过拟合等问题，提出了一个改进的数据集用于评估模型，并提出了增强技术以提高性能。

    Jul, 2024

  • 对软件漏洞评估中的数据不平衡问题的缓解措施：数据增强是否有帮助？

    软件漏洞评估中存在的数据不平衡问题对预测性能有重要影响，通过数据增强方法可以解决该问题并显著提高评估模型的预测性能。

    Jul, 2024

  • 错误考试中的高分：在机器学习中的基准评估对漏洞检测的影响

    本研究针对现有机器学习漏洞检测文献的定义进行了批判，指出将漏洞检测简化为二元分类问题存在严重不足。研究揭示了当前数据集中存在的虚假相关性，导致模型获得高准确率但并未真正检测出漏洞。研究呼吁重新审视漏洞检测问题的表述，并提议更有效的基准评估方法，以更真实地评估机器学习在这一领域的能力。

    Aug, 2024