PulseAugur
中
实时 10:14:18
English(EN) Learning to Triage Vulnerability Reports from Program Analysis: An Empirical Study in Node.js

机器学习模型在漏洞报告优先级排序方面展现出潜力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员探索了机器学习技术在对程序分析工具生成的漏洞报告进行优先级排序方面的应用，重点关注 Node.js 包。该研究评估了多种机器学习方法，包括经典模型、图神经网络 (GNN)、大型语言模型 (LLM) 以及混合 GNN-LLM 模型。研究结果表明，LLM 和基于 GNN 的方法在识别真实漏洞方面表现强劲，有可能减少安全分析师进行大量手动审查的需求。 AI

影响 通过自动化漏洞报告优先级排序，有潜力显著减少软件安全领域的人工工作量。

排序理由 学术论文，详细介绍了一种使用机器学习进行漏洞分类的新方法。[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 →

机器学习模型在漏洞报告优先级排序方面展现出潜力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ronghao Ni, Aidan Z. H. Yang, Min-Chien Hsu, Nuno Sabino, Limin Jia, Ruben Martins, Darion Cassel, Kevin Cheang ·

    从程序分析中学习漏洞报告分类：Node.js 实证研究

    arXiv:2510.20739v2 Announce Type: replace-cross Abstract: Program analysis tools often produce large volumes of candidate vulnerability reports that require costly manual review, creating a practical challenge: how can security analysts prioritize the reports most likely to be tr…

相关实体

相关话题