.png){kind=icon}
返回
MPDA: a data augmentation approach to improve deep learning for software vulnerability detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s10664-025-10698-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在过去的几年中，基于深度学习的AI技术的进步加速了自动软件漏洞检测的研究。然而，使用漏洞数据训练的深度学习模型学习能力有限，存在较高的漏报（FN）和误报（FP）率，这主要是由漏洞数据样本量小且不平衡的问题引起的。因此，我们提出了一种多视角数据增强方法（称为MPDA），并将其应用于提升数据质量以改进深度学习在软件漏洞检测中的应用。MPDA通过其设计的三个增强组件（分别基于过采样、生成对抗网络GAN和模糊采样的增强方式），从不同视角自动增强软件漏洞数据。我们还设计了三种算法，即过采样策略选择（OSS）算法、基于GAN的数据生成算法和模糊采样策略选择（FSS）算法，以帮助MPDA自动实现最佳的增强效果。在Juliet Java Suite数据集上的评估结果以及将MPDA应用于五种深度学习漏洞检测常用模型以检测29类漏洞的应用表明，除Transformer模型外，我们的方法在F1分数方面持续提升了每个深度学习模型的漏洞检测性能至少12%，而Transformer模型提升了3.9%。
Keyword:
Deep learning
Data augmentation
Software vulnerability detection
Data imbalance
期刊
IF:
3.6
论文数:
2.0K
被引数:
5.3K
机构
引用论文
SigmaDiff: Semantics-Aware Deep Graph Matching for Pseudocode DiffingSigmaDiff：面向语义的深度图匹配用于伪代码差异比较
.png){kind=icon}
PREAI
分享收藏
Pathways to Leverage Transcompiler based Data Augmentation for Cross-Language Clone Detection利用基于Transcompiler的数据增强实现跨语言克隆检测的途径
PREAI
分享收藏SySeVR: A Framework for Using Deep Learning to Detect Software VulnerabilitiesSySeVR: 使用深度学习检测软件漏洞的框架
OAAI
OAAI分享收藏
查看更多内容