.png){kind=icon}
返回
A zero-shot framework for cross-project vulnerability detection in source code
.png){kind=icon}
OA
AI
DOI：10.1007/s10664-025-10749-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
软件漏洞的日益普遍增加了对有效检测方法的需求，尤其是在跨项目设置中，领域差异带来了显著挑战。现有的漏洞检测模型往往难以跨项目泛化，这是由于编码风格、特征分布的差异以及缺乏目标标签数据所致。本文提出了ZSVulD，一种零样本、跨项目的漏洞检测框架，旨在无需目标领域标签的情况下运行。ZSVulD利用领域无关的CodeBERT嵌入来捕捉源代码的句法和语义特征，从而实现项目间的知识迁移。该框架采用迭代式伪标签过程，其中神经网络和XGBoost分类器协同优化目标域的预测结果。特征对齐被用作诊断技术，以评估和可视化源数据集与目标数据集之间的分布差异。在Devign和REVEAL数据集上的实验表明，与现有方法相比，ZSVulD实现了更高的召回率、F1和F2分数，并着重于减少假阴性。这些发现表明，ZSVulD能够支持自动化漏洞检测流水线，为不同软件项目中的更可靠安全评估做出贡献。
Keyword:
LLMs
Vulnerability detection
Code classification
Zero-Shot learning
期刊
IF:
3.6
论文数:
2.0K
被引数:
5.3K
机构
引用论文
Heterogeneous Cross-Project Defect Prediction Using Encoder Networks and Transfer Learning.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏SySeVR: A Framework for Using Deep Learning to Detect Software VulnerabilitiesSySeVR: 使用深度学习检测软件漏洞的框架
OAAI
OAAI分享收藏The Security of Using Large Language Models: A Survey with Emphasis on ChatGPT使用大型语言模型的安全性：一项以ChatGPT为重点的综述
PREAI
分享收藏CPVD: Cross Project Vulnerability Detection Based on Graph Attention Network and Domain Adaptation
PREAI
分享收藏Cross-Project Transfer Representation Learning for Vulnerable Function Discovery用于脆弱功能发现的跨项目迁移表示学习
PREAI
分享收藏Software Vulnerability Analysis and Discovery Using Deep Learning Techniques: A SurveyIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容