.png){kind=icon}
返回
Advancing software security: DCodeBERT for automatic vulnerability detection and repair
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jii.2025.100834.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
软件复杂性的指数级增长导致了软件漏洞的相应增加，这需要强大的自动漏洞检测与修复方法。本文提出DCodeBERT，一种针对软件代码中漏洞检测与修复任务进行微调的大语言模型（LLM）。利用预训练的CodeBERT模型，DCodeBERT被设计用于理解自然语言和编程语言语境，使其能够有效识别漏洞并提出修复建议。我们进行了实验以评估DCodeBERT的性能，并将其与多个基线模型进行比较。结果表明，DCodeBERT在多种编程语言下的漏洞检测和修复任务中均优于基线模型，展示了其在提升软件安全性方面的有效性。
Keyword:
Large Language Models
Adversarial attacks
Vulnerability detection
Data privacy
Natural language processing
期刊
IF:
11.6
论文数:
902
被引数:
4.4K
机构
暂无机构信息
引用论文
A Survey on Large Language Model (LLM) Security and Privacy: The Good, The Bad, and The Ugly关于大型语言模型 (LLM) 安全性和隐私的调查: 好，坏和丑陋
OAAI
.png){kind=icon}
OAAI分享收藏A Study of Vulnerability Repair in JavaScript Programs with Large Language Models具有大型语言模型的JavaScript程序中的漏洞修复研究
OAAI
OAAI分享收藏The Inadequacy of Reinforcement Learning From Human Feedback-Radicalizing Large Language Models via Semantic Vulnerabilities人类反馈强化学习的不足-通过语义漏洞激化大型语言模型
PREAI
分享收藏LLMs Cannot Reliably Identify and Reason About Security Vulnerabilities (Yet?): A Comprehensive Evaluation, Framework, and BenchmarksLLMs不能可靠地识别和推理安全漏洞 (还没有？): 全面的评估、框架和基准
PREAI
分享收藏分享收藏Uncertainty in Automated Ontology Matching: Lessons from an Empirical Evaluation自动化本体匹配中的不确定性：来自实证评估的经验教训OAAI
OAAI分享收藏Studying the Quality of Source Code Generated by Different AI Generative Engines: An Empirical Evaluation研究不同AI生成引擎生成的源代码质量：一项实证评估OAAI
OAAI分享收藏
查看更多内容