.png){kind=icon}
返回
Attention-Based Code Summarization for Multi-label Vulnerability Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-4434-9_20.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
源代码中的漏洞可能导致各种问题，如隐私和安全漏洞、系统崩溃、数据泄露以及不可预测的应用行为。这些问题通常源于对输入、内存或访问控制机制的错误处理。为解决这些挑战，我们提出了一种新颖的基于注意力机制的代码摘要（ACS）方法，用于源代码的多标签漏洞检测。与仅限于二元或多类分类的传统方法不同，我们的方法旨在识别单个代码片段中的多种漏洞类型——这一能力至关重要，因为实际软件通常包含多个漏洞。我们的方法引入了一种专门的、以安全为重点的注意力机制，利用漏洞特定的查询为每种漏洞类型生成目标表示。通过扩展预训练代码模型与分层摘要框架，我们能够创建针对不同漏洞类别的专门表示。这种设计在通用代码理解与精确漏洞检测之间实现了平衡。在多标签漏洞数据集上的广泛评估表明，我们的模型优于现有基线，尤其是在缓冲区相关漏洞（如CWE-119、CWE-120）和其他复杂安全问题方面。通过全面的消融研究，我们验证了每个架构组件的单独贡献，展示了我们漏洞特定注意力、安全重点摘要和自适应门控机制的协同效应。此外，我们模型中的注意力可视化组件提供可解释的输出，帮助安全团队识别和理解检测到的漏洞的根本原因。通过实现多种漏洞类型的有效且同时检测，我们的方法显著减少了分析和保护软件系统所需的工作和时间。
Keyword:
Multi-label Vulnerability Detection
Attention
Code Summarization
Security-focused Attention
期刊
C
IF:
0
论文数:
31
被引数:
0
机构
引用论文
GRACE: Empowering LLM-based software vulnerability detection with graph structure and in-context learningGRACE: 通过图结构和上下文学习增强基于LLM的软件漏洞检测
.png){kind=icon}
PREAI
分享收藏
分享收藏
查看更多内容