DiverseVul: A New Vulnerable Source Code Dataset for Deep Learning Based Vulnerability Detection
PulseAugur coverage of DiverseVul: A New Vulnerable Source Code Dataset for Deep Learning Based Vulnerability Detection — every cluster mentioning DiverseVul: A New Vulnerable Source Code Dataset for Deep Learning Based Vulnerability Detection across labs, papers, and developer communities, ranked by signal.
-
新AI框架训练代码模型自我修正安全漏洞
研究人员开发了一个名为Tree Self-Play (TSP) 的新颖框架，以解决在代码上训练的大型语言模型中固有的安全漏洞。当前的监督微调和强化学习等方法过于粗粒度，无法修复导致SQL注入等问题的局部编码错误。TSP引入了一种细粒度的、自主的方法，能够精确识别代码中的风险节点，并利用自我博弈生成安全和易受攻击的代码路径，以进行有针对性的优化。
-
VulnAgent-R2 框架增强了仓库级软件漏洞检测能力
研究人员开发了 VulnAgent-R2，这是一个先进的多智能体审计框架，旨在检测仓库级别的软件漏洞。该系统通过纳入反事实证据重加权、构建感知验证计划合成以及成本风险帕累托调度器等模块，改进了先前的方法。VulnAgent-R2 在多个基准数据集上展示了增强的性能，取得了高 F1 和 AUROC 分数，同时还减少了执行所需的计算令牌数量。
-
VulStyle模型利用风格计量和AST特征增强代码漏洞检测
研究人员开发了VulStyle，一个用于检测软件漏洞的新型多模态模型。该模型独特地整合了源代码、抽象语法树（AST）结构和代码风格计量特征来识别风险编程实践。VulStyle在包含七种语言的大型代码语料库上进行了预训练，并在多个基准数据集上展示了最先进的性能，优于现有的基于Transformer的方法。