大语言模型增强图学习以检测恶意Python包

研究人员开发了一个新颖的框架，通过利用大语言模型（LLMs）和层次化异构图表示学习来检测恶意Python包。该方法构建了一个详细的代码图，对各种程序实体及其依赖关系进行建模，并通过LLMs增强以推断语义角色。该系统利用图神经网络来跟踪恶意行为的传播，从而能够在没有人为干预的情况下准确分类包并识别可疑函数。 AI

影响 这项研究通过提供更强大的恶意代码检测能力，有望显著提高软件供应链的安全性。

排序理由 该集群包含一篇学术论文，详细介绍了一种使用大语言模型和图神经网络检测恶意软件的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• function-level attribution mechanism
• hierarchical heterogeneous code graph
• hierarchical heterogeneous graph neural network
• large-language models
• LLM-enhanced hierarchical heterogeneous graph representation learning
• LLMs
• malicious Python package detection
• Python Package Index

• 论文
• 安全
• 产品

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