.png){kind=icon}
返回
FuncVul: An Effective Function Level Vulnerability Detection Model Using LLM and Code Chunk
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07884-1_9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
软件供应链漏洞产生于攻击者通过向软件仓库中广泛使用的软件包或库中注入易受攻击的代码来利用弱点。虽然现有方法大多关注识别易受攻击的软件包或库，但它们通常忽略了这些漏洞的具体功能。在软件包或库中精确定位易受攻击的功能至关重要，因为它可以显著降低使用开源软件的风险。识别易受攻击的补丁具有挑战性，因为开发者通常提交与漏洞修复无关的代码更改。为解决此问题，本文介绍了FuncVul，一种创新的基于代码片段的函数级漏洞检测模型，用于C/C++和Python，旨在通过关注较小的关键代码段来识别函数内的多个漏洞。为评估模型的有效性，我们采用两种方法构建了六个基于代码和通用代码片段的数据集：(1) 将补丁信息与大型语言模型结合以标记易受攻击的样本，(2) 仅利用大型语言模型检测函数级代码中的漏洞。在FuncVul漏洞模型的设计中，我们利用了能够捕捉代码语法和语义特征的Graph-CodeBERT微调模型。实验结果表明，FuncVul优于现有最先进的模型，在所有数据集上平均准确率达到87-92%，F1分数为86-92%。此外，我们证明了基于代码片段的FuncVul模型比基于完整函数的漏洞预测提高了53.9%的准确率和42.0%的F1分数。模型代码和数据集已公开发布在GitHub（https://github.com/sajalhalder/FuncVul）。
Keyword:
Function code
Vulnerability Detection
Code Chunk
Software Supply Chain
Large Language Model
期刊
C
IF:
0
论文数:
22
被引数:
0
机构
引用论文
.png){kind=icon}
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VulDeeLocator: A Deep Learning-Based Fine-Grained Vulnerability DetectorVulDeeLocator: 一种基于深度学习的细粒度漏洞检测器
OAAI
OAAI分享收藏
分享收藏
查看更多内容