PulseAugur
中
实时 21:37:26
English(EN) ANVIL: Anomaly-based Vulnerability Identification without Labelled Training Data

ANVIL 使用 LLM 进行基于异常的漏洞检测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 ANVIL，这是一种通过将问题重新构建为异常检测来识别软件漏洞的新方法。与依赖有限标注数据的传统监督方法不同，ANVIL 利用在海量未标注代码上训练的大型语言模型 (LLM)。该系统通过让 LLM 重建被掩盖的代码片段，并将原始代码的偏差评分作为异常。与 PrimeVul 数据集上现有的监督检测器相比，该方法表现出更优越的性能，Top-3 准确率最高可提高一倍，ROC-AUC 显著提高。此外，ANVIL 与模糊测试器的集成成功发现了两个先前未知的漏洞，凸显了其在增强软件安全性方面的实际应用。 AI

影响 这项研究可能带来更有效、更高效的软件漏洞检测方法，从而提高整体代码安全性。

排序理由 这是一篇研究论文，详细介绍了一种使用 LLM 进行漏洞识别的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

ANVIL 使用 LLM 进行基于异常的漏洞检测

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
这是一篇研究论文，详细介绍了一种使用 LLM 进行漏洞识别的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, safety
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
100 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Weizhou Wang, Eric Liu, Xiangyu Guo, Xiao Hu, Ilya Grishchenko, David Lie ·

    ANVIL：无需标注训练数据的基于异常的漏洞识别

    arXiv:2408.16028v4 Announce Type: replace-cross Abstract: Supervised-learning-based vulnerability detectors often fall short due to limited labelled training data. In contrast, Large Language Models (LLMs) are trained on vast unlabelled code corpora, yet perform only marginally b…

相关实体

相关话题