Apr, 2024

Python 源代码漏洞检测的机器学习技术

PDF
TL;DR应用和比较不同的机器学习算法，我们基于 Python 编程语言针对源代码漏洞检测问题进行实验评估并展示出双向长短期记忆（BiLSTM）模型的非凡性能（平均准确率 = 98.6%，平均 F-Score=94.7%，平均精确率 = 96.2%，平均召回率 = 93.3%，平均 ROC=99.3%），从而为 Python 源代码的漏洞检测树立了新的基准。
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

  • 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

  • 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

  • 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

  • 基于特征工程的神经网络缓冲区溢出漏洞检测

    通过机器学习和神经网络模型，使用包括了 GloVe、fastText、LSTM、BiLSTM、LSTM 自编码器、word2vec、BERT 和 GPT2 的语义和句法信息的中间表示来识别函数级别漏洞，其性能表现通过 F1 分数、准确率、召回率、精确度和总执行时间进行评估.

    Jun, 2023

  • 基于两阶段深度学习模型的漏洞检测

    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

  • 源代码分析的机器学习技术调查

    本文旨在总结如何应用机器学习技术进行源代码分析的最新研究动态，并回顾 12 类软件工程任务及相应的机器学习技术、工具和数据集。在文献调研的基础上，文章总结了研究观察和发现，并总结了每个任务的通用步骤、机器学习技术和可用数据集和工具，并讨论了这一领域面临的各种挑战。

    Oct, 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

  • 利用人工智能开发源代码漏洞检测实践实验室

    本文提出了一个框架，用于教育未来的软件开发人员编写安全的源代码，并介绍了一组实验来预测和识别漏洞。

    Feb, 2023