.png){kind=icon}
返回
Learning-based models for vulnerability detection: an extensive study
.png){kind=icon}
PRE
AI
DOI：10.1007/s10664-025-10734-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然基于深度学习的模型在漏洞检测方面取得了显著进展，但我们对这些模型的理解仍然有限，这阻碍了模型能力、检测过程机制理解和高效安全实践部署的进一步发展。本文通过对最近构建的大规模漏洞数据集MegaVul进行大量实验，对当前最先进的基于学习的模型进行了全面调查，包括基于序列的模型、基于图的模型和大型语言模型（LLMs）。我们在五个关键维度——模型能力、模型解释、模型鲁棒性、模型部署便捷性和模型经济性——上系统地探讨了七个研究问题。我们的实验结果表明，基于序列的模型优于基于图的模型，并证实了当前LLMs（如ChatGPT和CodeLlama）在漏洞检测中的有限有效性。我们确定了不同基于学习的模型擅长检测的具体漏洞类型，并通过输入中细微的语义等效变化揭示了模型的不稳定性。通过可解释性分析，我们提供了关于这些模型在检测过程中实际学习内容和关注焦点的实证见解。此外，我们还系统地总结了模型实践应用所需的预处理要求和部署考虑因素。最后，本研究为基于学习模型的经济高效且安全的实践应用提供了必要指导，为研究人员和实践者提供了有价值的见解。
Keyword:
Vulnerability detection
Empirical study
Deep learning
期刊
IF:
3.6
论文数:
2.0K
被引数:
5.3K
机构
引用论文
.png){kind=icon}
Interpreting Deep Learning-based Vulnerability Detector Predictions Based on Heuristic Searching
PREAI
分享收藏Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing预训练，提示和预测: 自然语言处理中提示方法的系统调查
OAAI
OAAI分享收藏 没有更多内容
没有更多内容