VulLIC: Vulnerability classification method based on LLM code explanations and images

doi:10.1007/s11219-026-09741-y

VulLIC: Vulnerability classification method based on LLM code explanations and images

2026-03-21

0

PRE

AI

DOI：10.1007/s11219-026-09741-y

原文链接

原文求助

摘要

En 中文

软件漏洞的持续增加对软件系统安全构成严重威胁，这对漏洞管理的效率和有效性提出了更高要求。因此，高效准确地分类漏洞对于改进漏洞响应和修复流程至关重要。然而，许多现有方法严重依赖人工编写的漏洞描述，这些描述往往主观且容易出错。为解决这些局限性，我们提出了一种新的漏洞分类方法VulLIC，该方法结合了大型语言模型（LLM）的漏洞代码解释与基于图像的可视化表示。首先，该方法利用LLM自动生成漏洞代码段的解释，从而取代传统的人工漏洞描述。其次，我们使用程序依赖图（PDG）对源代码进行建模，提取节点的介数中心性、接近中心性和PageRank中心性特征，并利用这些特征构建三通道图像表示。然后，使用BERT嵌入漏洞代码解释并输入BiLSTM-Attention以提取语义特征，使用sent2vec嵌入图像信息并通过TextCNN处理以捕捉局部结构特征。最后，我们利用注意力机制实现漏洞代码解释和图像信息的融合，构建双模态联合特征用于漏洞分类。我们在Big-Vul数据集上进行了实验，结果表明VulLIC在多个指标上表现出竞争力，实现了87.57%的Weighted_P、86.37%的Weighted_R和86.58%的Weighted_F1。

Keyword:

Vulnerability classification

LLM

PDG

TextCNN

Attention mechanism

VulLIC: Vulnerability classification method based on LLM code explanations and images

摘要

期刊

机构

引用论文