.png){kind=icon}
返回
Detecting Rust Code Vulnerabilities Through Transfer Learning
.png){kind=icon}
PRE
AI
DOI：10.1142/s0218194026500208.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Rust旨在防止常见的内存安全漏洞，但其仍易受各种安全漏洞的影响。Rust中标注漏洞数据的有限可用性对应用机器学习（ML）技术构成了重大挑战。为解决此问题，我们提出了TL-HGNN，一种采用异构图神经网络（HGNN）和大型语言模型（LLMs）的新型迁移学习框架，用于检测Rust漏洞，而无需进行Rust特定的训练。TL-HGNN利用跨过程压缩代码属性图（ICCPGs）表示高资源语言（C或Java）的源代码，训练HGNN模型以捕捉语义和结构关系。Rust代码通过迭代LLM方法翻译成源语言以确保语法正确性。翻译后的代码被转换为ICCPG表示，并用预训练的HGNN模型进行分析。在44种CWE中82个真实世界Rust CVE对上的评估表明，TL-HGNN在该数据集上比基线方法表现更优，F1分数达到66.24%。此外，消融研究显示ICCPG表示优于先前的图方法，LLM翻译在迁移学习中优于基于词典的映射。结果表明，在本文场景下Java作为源语言比C更有效，且GPT-4.0在翻译质量上优于其他几种LLMs。TL-HGNN代表了迁移学习在Rust漏洞检测中的早期应用。
Keyword:
Code vulnerability
Rust
transfer learning
graph neural networks
large language models
期刊
I
IF:
0.6
论文数:
107
被引数:
543
机构
引用论文
GNN-Based Transfer Learning and Tuning for Detecting Code Vulnerabilities across Different Programming Languages基于GNN的跨编程语言代码漏洞检测的迁移学习与调优
.png){kind=icon}
PREAI
分享收藏Generalization-Enhanced Code Vulnerability Detection via Multi-Task Instruction Fine-Tuning通过多任务指令微调实现泛化增强的代码漏洞检测
PREAI
分享收藏Security Vulnerability Detection Using Deep Learning Natural Language Processing基于深度学习自然语言处理的安全漏洞检测
OAAI
OAAI分享收藏
查看更多内容