論文の概要: A Function-level Dataset of Vulnerable and Fixed Source Code in JavaScript and TypeScript

• arxiv url: http://arxiv.org/abs/2609.38012v1
• Date: Tue, 29 Sep 2026 16:59:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.766793
• Title: A Function-level Dataset of Vulnerable and Fixed Source Code in JavaScript and TypeScript
• Title（参考訳）: JavaScriptとTypeScriptの脆弱性と修正済みソースコードの関数レベルのデータセット
• Abstract要約: JavaScriptとTypeScriptはモダンなWeb開発で広く使われており、セキュリティが重要になっている。 ここでは、主要な7つのソースからキュレートされたデータセットであるJsVulを紹介します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: JavaScript and TypeScript are widely used in modern web development, making their security critical; however, automated vulnerability detection is often constrained by the availability of high-quality training data. Here we present JsVul, a dataset curated from seven major sources. Unlike generic multi-language datasets that may retain noise -- such as minified code and cosmetic edits -- JsVul utilizes a language-specific pipeline. We collected pre-fix and post-fix versions of files around security fixes and, by filtering irrelevant artifacts and applying automated syntax normalization, isolated security-related changes. We ensured data integrity through multi-stage deduplication and heuristic-based labeling. Provided in a time-ordered JSONL format, JsVul supports robust model training in the JavaScript and TypeScript ecosystem and demonstrates the importance of language-aware preprocessing in building vulnerability datasets.
• Abstract（参考訳）: JavaScriptとTypeScriptは現代のWeb開発で広く使われており、セキュリティが重要になっている。 ここでは、主要な7つのソースからキュレートされたデータセットであるJsVulを紹介します。 最小限のコードや化粧品の編集など、ノイズを保持できる一般的な多言語データセットとは異なり、JsVulは言語固有のパイプラインを使用している。 セキュリティ修正に関するファイルの事前修正と修正後のバージョンを収集し、無関係なアーティファクトをフィルタリングし、自動構文正規化を適用し、セキュリティ関連の変更を分離しました。 多段階の重複とヒューリスティックなラベリングによってデータの整合性を確保する。 タイムオーダーのJSONLフォーマットで提供されるJsVulは、JavaScriptとTypeScriptエコシステムで堅牢なモデルトレーニングをサポートし、脆弱性データセット構築における言語対応の事前処理の重要性を実証する。

関連論文リスト

• GraftyVul: Synthesising Insecure Programs Through Real-World Vulnerability Grafting [8.596028166822489]
  GraftyVulは、実際の脆弱性をオープンソースプロジェクトに移植することで、脆弱性のあるプログラムを構築する。 5つのプログラミング言語にまたがる212の検証済みかつ悪用可能な脆弱性プログラムを生成します。
  論文  参考訳（メタデータ） (2026-08-28T05:10:49Z)
• iScript: A Domain-Adapted Large Language Model and Benchmark for Physical Design Tcl Script Generation [48.502477318243386]
  iScriptは、Innovus Tclスクリプト生成のためのドメイン適応Qwen3-8Bモデルである。 iScriptのパス@kスコアは、現在最先端のLLMよりも高い。
  論文  参考訳（メタデータ） (2026-03-04T15:20:35Z)
• Vulnerability Detection in Popular Programming Languages with Language Models [2.048226951354646]
  本稿では,JavaScript,Java,Python,PHP,Goの脆弱性検出における言語モデル(LM)の有効性について検討する。 C/C++と比較して、JavaScriptは最高のパフォーマンスを示し、より優れた、より実用的な検出能力を持っています。
  論文  参考訳（メタデータ） (2024-12-20T13:57:27Z)
• VulZoo: A Comprehensive Vulnerability Intelligence Dataset [12.229092589037808]
  VulZooは17の人気の脆弱性情報ソースをカバーする、包括的な脆弱性インテリジェンスデータセットである。 VulZooを一般公開し、今後の研究を容易にするためにインクリメンタルアップデートでメンテナンスしています。
  論文  参考訳（メタデータ） (2024-06-24T06:39:07Z)
• A Study of Vulnerability Repair in JavaScript Programs with Large Language Models [2.4622939109173885]
  大規模言語モデル(LLM)は、複数のドメインにまたがる大幅な進歩を示している。 実世界のソフトウェア脆弱性に関する我々の実験によると、LLMはJavaScriptコードの自動プログラム修復において有望であるが、正しいバグ修正を達成するには、しばしばプロンプトで適切なコンテキストを必要とする。
  論文  参考訳（メタデータ） (2024-03-19T23:04:03Z)
• PrivacyMind: Large Language Models Can Be Contextual Privacy Protection Learners [81.571305826793]
  コンテキストプライバシ保護言語モデル(PrivacyMind)を紹介する。 我々の研究はモデル設計に関する理論的分析を提供し、様々な手法をベンチマークする。 特に、肯定的な例と否定的な例の両方による命令チューニングは、有望な方法である。
  論文  参考訳（メタデータ） (2023-10-03T22:37:01Z)
• CodeLMSec Benchmark: Systematically Evaluating and Finding Security Vulnerabilities in Black-Box Code Language Models [58.27254444280376]
  自動コード生成のための大規模言語モデル(LLM)は、いくつかのプログラミングタスクにおいてブレークスルーを達成した。 これらのモデルのトレーニングデータは、通常、インターネット(例えばオープンソースのリポジトリから)から収集され、障害やセキュリティ上の脆弱性を含む可能性がある。 この不衛生なトレーニングデータは、言語モデルにこれらの脆弱性を学習させ、コード生成手順中にそれを伝播させる可能性がある。
  論文  参考訳（メタデータ） (2023-02-08T11:54:07Z)
• 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)
• UNKs Everywhere: Adapting Multilingual Language Models to New Scripts [103.79021395138423]
  マルチリンガルBERT(mBERT)やXLM-Rのような多言語言語モデルは、様々なNLPタスクに対して最先端の言語間転送性能を提供する。 キャパシティの制限と事前トレーニングデータの大きな差のため、リソース豊富な言語とリソースを対象とする言語には大きなパフォーマンスギャップがある。 本稿では,事前学習した多言語モデルの低リソース言語や未知のスクリプトへの高速かつ効果的な適応を可能にする新しいデータ効率手法を提案する。
  論文  参考訳（メタデータ） (2020-12-31T11:37:28Z)
• FILTER: An Enhanced Fusion Method for Cross-lingual Language Understanding [85.29270319872597]
  我々は,XLMファインタニングの入力として言語間データを利用する拡張融合法を提案する。 推論中は、ターゲット言語で入力されたテキストとソース言語の翻訳に基づいて予測を行う。 この問題に対処するため,対象言語における翻訳テキストのための自動生成ソフト擬似ラベルに基づくモデル学習のためのKL分割自己学習損失を提案する。
  論文  参考訳（メタデータ） (2020-09-10T22:42:15Z)

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。