English(EN) Exploring Automated Vulnerability Identification in JavaScript Code Using Large Language Models

大型语言模型在识别 JavaScript 代码漏洞方面优于传统工具

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

一篇新的研究论文探讨了使用大型语言模型 (LLM) 来识别 JavaScript 代码中的漏洞。研究发现，LLM 的表现显著优于传统的静态应用程序安全测试 (SAST) 工具，经过微调的 Gemini 1.5 Flash 模型达到了 60% 的检测准确率。不同的提示策略和微调方法在不同类型的漏洞上表现出不同的有效性，LLM 为代码安全提供了一个实用的、但并非详尽无遗的解决方案。 AI

影响 LLM 通过在漏洞检测方面优于传统方法，显示出增强代码安全的潜力。

排序理由该集群包含一篇详细介绍 LLM 代码漏洞识别能力实证研究的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍 LLM 代码漏洞识别能力实证研究的研究论文。[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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Manit Kaushik, Ishir Bhardwaj, Pranav Gupta, Pankaj Jalote, Arun Balaji Buduru · 2026-09-15 04:00

使用大型语言模型探索 JavaScript 代码中的自动化漏洞识别

arXiv:2609.13816v1 Announce Type: cross Abstract: JavaScript powers approximately 98.8% of all websites, making vulnerabilities in its code a significant security risk, yet existing detection approaches such as Static Application Security Testing (SAST) tools often fail to identi…

本文如何被排名

报道来源 [1]

使用大型语言模型探索 JavaScript 代码中的自动化漏洞识别

相关实体

相关话题