.png){kind=icon}
返回
CosFormer: A Code Semantic-Aware Transformer for Vulnerability Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/tse.2026.3659630.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度学习的漏洞检测已取得显著进展，超越了传统的静态和动态分析方法。然而，现有方法包括图神经网络（GNNs）和基于Transformer的模型，仍难以完全捕捉复杂的代码语义。本文提出了一种新颖的代码语义感知Transformer，命名为CosFormer，专门用于漏洞检测。CosFormer引入两个关键组件：代码语义感知嵌入，增强词元和行级别的语义表示；以及空间依赖感知编码，整合控制流图（CFGs）和程序依赖图（PDGs）的结构依赖，引导注意力集中于与漏洞相关的代码。我们在四个基准数据集（包括一个真实数据集）上评估了CosFormer，并展示了其优越的性能。CosFormer在所有任务中均获得最高F1分数，优于最先进的GNN和Transformer模型以及大型语言模型（LLMs）。值得注意的是，CosFormer在泛化评估中实现Cross F1 69.37和Mixed F1 58.42，超越所有基线。这些结果突显了CosFormer在检测不同且未见代码库中的漏洞时的有效性和鲁棒性。
Keyword:
Vulnerability Detection
transformer-based models
deep learning for code
code representation learning
期刊
IF:
5.6
论文数:
2.9K
被引数:
1.1W
机构
引用论文
Interface engineering for enhancing electrocatalytic oxygen evolution of NiFe LDH/NiTe heterostructures界面工程用于增强NiFe LDH/NiTe异质结构的电催化析氧
.png){kind=icon}
PREAI
分享收藏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
PREAI
分享收藏
分享收藏Questions developers ask while diagnosing potential security vulnerabilities with static analysis
PREAI
分享收藏SelectFuzz: Efficient Directed Fuzzing with Selective Path ExplorationSelectFuzz: 具有选择性路径探索的高效定向模糊测试
PREAI
分享收藏
查看更多内容