.png){kind=icon}
返回
Question-Answer Methodology for Vulnerable Source Code Review via Prototype-Based Model-Agnostic Meta-Learning
.png){kind=icon}
OA
AI
DOI：10.3390/fi17010033.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在网络安全领域，识别和解决源代码中的漏洞对于维护安全的IT环境至关重要。传统的静态和动态分析技术虽然被广泛使用，但通常表现出高误报率、高昂成本和有限的解释性。基于机器学习（ML）的方法旨在克服这些局限性，但由于其依赖大型标注数据集以及与安全开发团队需求的对齐度有限，因而面临可扩展性和适应性方面的挑战。这些因素阻碍了它们适应快速演变的软件环境的能力。本研究提出了一种将基于原型的模型无关元学习（Proto-MAML）与利用Transformer双向编码器表示（BERT）模型的问答（QA）框架相结合的方法。通过采用少样本学习（FSL），Proto-MAML能够在极低数据需求下识别和缓解漏洞，符合安全开发生命周期（SDLC）和开发、安全与运维（DevSecOps）的原则。该QA框架允许开发人员查询漏洞并获取精确、可操作的建议，增强了其在需要频繁更新和实时分析动态环境中的适用性。模型的输出具有可解释性，促进了代码审查过程的透明度，并有助于高效解决新兴漏洞。Proto-MAML在多种编程语言中表现出色，在PHP、Java、C和C++中分别实现了平均精度98.49%、召回率98.54%、F1分数98.78%和完全匹配率98.78%。
Keyword:
question-answer methodology
vulnerable source code review
prototype-based learning
model-agnostic meta-learning
Proto-MAML
code vulnerability detection
software security
few-shot learning
source code analysis
meta-learning techniques
automated code review
cybersecurity
knowledge transfer
code reconstruction
期刊
IF:
3.6
论文数:
1.3K
被引数:
6.5K
机构
引用论文
Holding on to Compliance While Adopting DevSecOps: An SLR坚持合规性同时采用DevSecOps：一篇系统文献综述.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏分享收藏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A sentiment-aware deep learning approach for personality detection from text一种基于情感感知的文本个性检测深度学习方法
PREAI
分享收藏VulD-Transformer: Source Code Vulnerability Detection via TransformerVulD-Transformer: 基于Transformer的源代码漏洞检测
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
查看更多内容