論文の概要: Reinforcement Learning for Software Vulnerability Analysis: A Systematic Review with Emphasis on C/C++ Source Code and Static Analysis

• arxiv url: http://arxiv.org/abs/2606.28403v1
• Date: Wed, 24 Jun 2026 13:09:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.549155
• Title: Reinforcement Learning for Software Vulnerability Analysis: A Systematic Review with Emphasis on C/C++ Source Code and Static Analysis
• Title（参考訳）: ソフトウェア脆弱性分析のための強化学習: C/C++ソースコードと静的解析を重視した体系的レビュー
• Authors: Bruno Caro-Vásquez, Carola Figueroa-Flores, Gastón Marquez,
• Abstract要約: 本研究は,C/C++ソースコードと静的解析に着目し,ソフトウェア脆弱性解析のための強化学習(RL)技術についてレビューする。 我々は、2015年から2026年にかけて発行された21の主研究を、主要な科学的データベースと補完的な検索から特定する。 その結果、15の研究ではファジィングとガイド付き探索に焦点が当てられ、直接脆弱性検出には3つ、ステートメントレベルのローカライゼーションには1つに過ぎなかった。
• 参考スコア（独自算出の注目度）: 0.15293427903448018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vulnerability detection in C/C++ software remains a major security challenge due to code complexity, manual memory management, and the limitations of traditional static analysis. Reinforcement Learning (RL) has emerged as a promising approach, particularly for fuzzing, test generation, program exploration, and, more recently, vulnerability detection and localization. Following PRISMA 2020 guidelines, this work reviews RL techniques for software vulnerability analysis, focusing on C/C++ source code and static analysis. We identified 21 primary studies published between 2015 and 2026 from major scientific databases and complementary searches. We analyze the addressed tasks, algorithms, state-action-reward-environment formulations, code representations, datasets, and evaluation metrics. Results show that 15 studies focus on fuzzing and guided exploration, only 3 on direct vulnerability detection, and just 1 on statement-level localization. Moreover, statically extracted structural representations such as Control Flow Graphs (CFGs) and Abstract Syntax Trees (ASTs) are rarely used as agent states, and benchmarks lack comparability. We propose a task- and formulation-oriented taxonomy and identify a key research gap: the absence of RL agents that use source-code CFGs as states to detect and localize vulnerable nodes.
• Abstract（参考訳）: C/C++ソフトウェアの脆弱性検出は、コードの複雑さ、手動のメモリ管理、従来の静的解析の制限により、依然として大きなセキュリティ上の課題である。 強化学習(RL)は、特にファジング、テスト生成、プログラム探索、さらに最近では脆弱性検出とローカライゼーションにおいて、有望なアプローチとして登場した。 PRISMA 2020ガイドラインに従って、ソフトウェア脆弱性分析のためのRLテクニックをレビューし、C/C++ソースコードと静的解析に焦点を当てた。 我々は、2015年から2026年の間に、主要な科学的データベースと補完的な検索から21の主要な研究を同定した。 我々は、対処されたタスク、アルゴリズム、状態-アクション-リワード-環境の定式化、コード表現、データセット、評価メトリクスを分析します。 その結果、15の研究ではファジィングとガイド付き探索に焦点が当てられ、直接脆弱性検出には3つ、ステートメントレベルのローカライゼーションには1つに過ぎなかった。 さらに、制御フローグラフ(CFG)や抽象構文木(AST)のような静的に抽出された構造表現はエージェント状態としてはほとんど使われず、ベンチマークには互換性がない。 本稿では,ソースコードCFGを脆弱性ノードの検出とローカライズのための状態として使用するRLエージェントの欠如について,タスク指向および定式化指向の分類法を提案し,重要な研究ギャップを同定する。

関連論文リスト

• The Code Whisperer: LLM and Graph-Based AI for Smell and Vulnerability Resolution [42.25743513043402]
  Code Whispererは、グラフベースのプログラム分析と大きな言語モデルを組み合わせて、保守性とセキュリティの問題を検出し、説明し、修復するハイブリッドフレームワークである。 このフレームワークを多言語データセット上で評価し,ルールベースアナライザや単一モデルベースラインと比較する。
  論文  参考訳（メタデータ） (2026-04-12T20:10:48Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Multi-Agent Taint Specification Extraction for Vulnerability Detection [49.27772068704498]
  コンテナ分析を使用した静的アプリケーションセキュリティテスト(SAST)ツールは、高品質な脆弱性検出結果を提供するものとして広く見なされている。 本稿では,Large Language Models (LLM) のセマンティック理解と従来の静的プログラム解析を戦略的に組み合わせたマルチエージェントシステムであるSemTaintを提案する。 私たちは、SemTaintを最先端のSASTツールであるCodeQLと統合し、これまでCodeQLで検出できなかった162の脆弱性の106を検出して、その効果を実証しています。
  論文  参考訳（メタデータ） (2026-01-15T21:31:51Z)
• A Systematic Literature Review on Detecting Software Vulnerabilities with Large Language Models [2.518519330408713]
  ソフトウェア工学における大規模言語モデル(LLM)は、ソフトウェア脆弱性検出への関心を喚起している。 この分野の急速な発展は、断片化された研究の風景を生み出した。 この断片化は、最先端技術の明確な概要を得るのを困難にし、研究を有意義に比較し分類する。
  論文  参考訳（メタデータ） (2025-07-30T13:17:16Z)
• AI-Based Software Vulnerability Detection: A Systematic Literature Review [6.604556571951421]
  本研究は,2018年から2023年までのソフトウェア脆弱性検出(SVD)研究の系統的なレビューを行う。 我々の分析によると、研究の91%がAIベースの手法を使用しており、グラフベースのモデルが最も普及している。 データセットの品質、解釈可能性など、重要な制限を特定し、未探索のテクニックにおける新たな機会を強調します。
  論文  参考訳（メタデータ） (2025-06-12T01:42:38Z)
• Context-Enhanced Vulnerability Detection Based on Large Language Model [17.922081397554155]
  本稿では,プログラム解析と大規模言語モデルを組み合わせたコンテキスト強化型脆弱性検出手法を提案する。 具体的には、プログラム分析を用いて、様々なレベルの抽象レベルで文脈情報を抽出し、無関係なノイズを除去する。 私たちのゴールは、脆弱性を正確に捉え、不要な複雑さを最小限に抑えるのに十分な詳細を提供することのバランスを取ることです。
  論文  参考訳（メタデータ） (2025-04-23T16:54:16Z)
• LLMs in Software Security: A Survey of Vulnerability Detection Techniques and Insights [12.424610893030353]
  大規模言語モデル(LLM)は、ソフトウェア脆弱性検出のためのトランスフォーメーションツールとして登場している。 本稿では,脆弱性検出におけるLSMの詳細な調査を行う。 言語間の脆弱性検出、マルチモーダルデータ統合、リポジトリレベルの分析といった課題に対処する。
  論文  参考訳（メタデータ） (2025-02-10T21:33:38Z)
• VELVET: a noVel Ensemble Learning approach to automatically locate VulnErable sTatements [62.93814803258067]
  本稿では,ソースコード中の脆弱な文を見つけるための新しいアンサンブル学習手法であるVELVETを提案する。 我々のモデルは、グラフベースとシーケンスベースニューラルネットワークを組み合わせて、プログラムグラフの局所的およびグローバル的コンテキストを捕捉する。 VELVETは、合成データと実世界のデータに対して、それぞれ99.6%と43.6%の精度を達成している。
  論文  参考訳（メタデータ） (2021-12-20T22:45:27Z)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。