.png){kind=icon}
返回
Reparameterizing adversarial reprogramming in low-dimensional subspace for efficient software vulnerability detection
.png){kind=icon}
OA
AI
DOI：10.1016/j.jisa.2026.104443.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
检测软件漏洞对于保障网络安全至关重要。传统的基于学习的漏洞检测方法依赖于从头训练模型或微调预训练模型，这两种方法都需要大量的标注数据集和显著的计算资源。然而，由于验证成本高和数据稀缺，获取高质量的漏洞数据集往往不切实际。为解决这一挑战，我们提出了一种创新系统REARVUL，该系统在低维子空间中对对抗性重编程进行参数化以用于软件漏洞检测。与常规方法不同，REARVUL利用对抗性重编程对预训练的图像分类模型进行改造，使模型仅需最小改动即可实现漏洞检测。通过学习应用于程序表示的通用扰动，我们的方法在保留原始模型特征提取能力的同时，使其适应新领域。此外，我们引入了一种低维参数化策略，将扰动分解为两个较小的矩阵并在训练过程中优化它们，显著减少了可训练参数数量和计算开销。在公开可用的漏洞数据集上的广泛评估表明，REARVUL在保持竞争性检测精度的同时大幅提升了效率。值得注意的是，REARVUL将端到端训练时间缩短至75分钟，同时保持竞争性精度。在仅有100个训练样本的数据有限场景下，REARVUL达到最佳精度（65.64%），持续优于近期最先进的基线方法和通过微调ImageNet骨干网络的迁移学习方法。这些结果突显了其在真实世界软件漏洞检测中的适应性和有效性。
Keyword:
Software vulnerability detection
Adversarial reprogramming
Data scarcity
Reparameterization
Efficiency
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.7
论文数:
1.9K
被引数:
4.9K
机构
引用论文
ResNet and its application to medical image processing: Research progress and challengesResNet及其在医学图像处理中的应用: 研究进展与挑战
.png){kind=icon}
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分享收藏分享收藏
查看更多内容