論文の概要: Structured Security Explanations for Learning-Based Vulnerability Detection

• arxiv url: http://arxiv.org/abs/2610.37797v1
• Date: Tue, 27 Oct 2026 18:16:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 19:44:11.768929
• Title: Structured Security Explanations for Learning-Based Vulnerability Detection
• Title（参考訳）: 学習による脆弱性検出のための構造的セキュリティ記述
• Abstract要約: VulnLensは、バイナリC/C++脆弱性検出のための説明強化フレームワークである。 ラベルブラインド LLM ベースの Explainer は7つの固定的な視点から各関数を調べる。 教師付き検出器は、シーケンシャルなクロスアテンションを通じてソースコードと説明を組み合わせる。
• 参考スコア（独自算出の注目度）: 13.927412485585528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software vulnerability detection remains difficult because existing approaches rely on predefined analysis rules, learn vulnerability patterns implicitly from code and labels, or use large language models (LLMs) to make the final security judgment. It remains unclear whether structured descriptions of security-relevant program behavior can improve supervised detection. We present VulnLens, an explanation-augmented framework for binary C/C++ vulnerability detection that separates program-behavior analysis from the final decision. A label-blind LLM-based Explainer examines each function from seven fixed perspectives: data flow, memory access, object lifetime, arithmetic and type behavior, control flow, shared state, and external-resource access. Without receiving vulnerability labels or CWE information, it generates structured explanations. A supervised Detector combines source code and explanations through sequential cross-attention. We evaluate VulnLens on a PrimeVul-derived dataset covering ten CWE categories and test transfer to SecVulEval without retraining. On the 526-function PrimeVul test set, VulnLens achieves 75.5% accuracy and 77.2% F1, exceeding DeepSeek V4 Pro by 4.2 percentage points in accuracy and Gemini 2.5 Pro by 2.2 points in F1. Matched explanations improve F1 by 7.3 points over a separately trained code-only detector. On SecVulEval, VulnLens achieves 66.4% accuracy and 65.8% F1, outperforming DeepSeek V4 Pro by 7.6 points in accuracy and 20.0 points in F1, and Gemini 2.5 Pro by 16.6 points in accuracy and 7.8 points in F1.
• Abstract（参考訳）: 既存のアプローチでは、事前に定義された分析ルールに依存したり、コードやラベルから暗黙的に脆弱性パターンを学習したり、大規模言語モデル(LLM)を使用して最終的なセキュリティ判断を行うため、ソフトウェア脆弱性の検出は依然として困難である。 セキュリティ関連プログラム動作の構造的記述が教師付き検出を改善するかどうかは不明だ。 VulnLensは、バイナリC/C++脆弱性検出のための説明強化フレームワークで、プログラムの振る舞い分析と最終決定を分離する。 LLMベースのExplainerは、データフロー、メモリアクセス、オブジェクト寿命、算術と型動作、制御フロー、共有状態、外部リソースアクセスという7つの固定された視点から各関数を検査する。 脆弱性ラベルやCWE情報を受信することなく、構造化された説明を生成する。 教師付きインタクタは、シーケンシャルなクロスアテンションを通じてソースコードと説明を組み合わせる。 我々は、PrimeVulから得られた10のCWEカテゴリをカバーするデータセット上でVulnLensを評価し、SecVulEvalに再トレーニングすることなくテスト転送を行う。 526関数のPrimeVulテストセットでは、VulnLensは75.5%の精度と77.2%のF1を達成し、DeepSeek V4 Proを4.2ポイント、Gemini 2.5 Proを2.2ポイント上回っている。 一致した説明は、別々に訓練されたコード専用検出器よりもF1を7.3ポイント向上させる。 SecVulEvalでは、VulnLensが66.4%、F1が65.8%、DeepSeek V4 Proが7.6ポイント、F1が20.0ポイント、Gemini 2.5 Proが16.6ポイント、F1が7.8ポイントを上回っている。

関連論文リスト

• VulValidate: Auditing Function-Level Vulnerability Labels with Executable Evidence [3.9114266138745495]
  Vulは、エージェントを使用して動的解析ツールをコーディネートし、脆弱性追跡実験を構築するフレームワークである。 BigVul、PrimeVul、DiverseVulで脆弱性をラベル付けされた35,849のインスタンスを監査します。 20,510人(57.2%)、正解6,819人(19.0%)、攻撃7,981人(22.3%)、未決定539人(正確にはバイト)。 581のサンプル決定の盲目レビューでは、専門家の合意は90.0%--92.0%の確認と92.6%--99.0%のラベル修正を支持している。
  論文  参考訳（メタデータ） (2026-10-04T10:21:53Z)
• Vulnerability Localization Benchmark: Measuring Agentic Security Analysis at Repository Scale [54.83971397981572]
  言語モデルエージェントは、ソフトウェアリポジトリ全体を通してますます運用される。 サイバーセキュリティ評価は、関連するコードを見つけることよりも、脆弱性を検出、再生、または修復できるかどうかを測定する。 脆弱性のローカライゼーションについて検討する。弱点クラスと不慣れなリポジトリが与えられた場合、その弱点に関連する実装ファイルを特定する。
  論文  参考訳（メタデータ） (2026-09-14T17:44:51Z)
• Security Is Relative: Training-Free Vulnerability Detection via Multi-Agent Behavioral Contract Synthesis [14.657771106188115]
  脆弱性検出のためのトレーニング不要なマルチエージェントフレームワークであるPhoenixを提案する。 Phoenixは、検出をセマンティックスライダ、要求リバースエンジニア、契約審査員の3つのステージに分解する。 PrimeVul Pairedでは、Phoenix は F1 = 0.825 と Pair-Correct = 64.4% を獲得し、RASM-Vul (F1 = 0.668) と VulTrial (F1 = 0.563) を上回る。
  論文  参考訳（メタデータ） (2026-04-21T03:02:34Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)
• Weakly Supervised Vulnerability Localization via Multiple Instance Learning [46.980136742826836]
  WeAkly によるマルチプルインスタンス学習による脆弱性ローカライゼーションのための WAVES という新しい手法を提案する。 WAVESは、ある関数が脆弱かどうか(すなわち脆弱性検出)を判定し、脆弱なステートメントをピンポイントする機能を持っている。 提案手法は,文レベルの脆弱性ローカライゼーションにおいて,脆弱性検出と最先端のパフォーマンスにおいて同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-09-14T15:11:39Z)
• Explainable Vulnerability Detection in C/C++ Using Edge-Aware Graph Attention Networks [0.2499907423888049]
  本稿では,C/C++コードの脆弱性検出のためのグラフベースのフレームワークであるExplainVulDを提案する。 平均精度88.25パーセント、F1スコア48.23パーセントをReVealデータセット上で30の独立ランで達成している。
  論文  参考訳（メタデータ） (2025-07-22T12:49:14Z)
• Vulnerability Detection with Code Language Models: How Far Are We? [40.455600722638906]
  PrimeVulは、脆弱性検出のためのコードLMのトレーニングと評価のための新しいデータセットである。 これは、人間の検証されたベンチマークに匹敵するラベルの精度を達成する、新しいデータラベリング技術を含んでいる。 また、厳密なデータ重複解消戦略と時系列データ分割戦略を実装して、データの漏洩問題を軽減している。
  論文  参考訳（メタデータ） (2024-03-27T14:34:29Z)
• SliceLocator: Locating Vulnerable Statements with Graph-based Detectors [33.395068754566935]
  SliceLocatorは、すべての潜在的な脆弱性トリガリングステートメントから、最も重み付けされたフローパスを選択することで、最も関連性の高いテントフローを特定する。 SliceLocatorは、最先端の4つのGNNベースの脆弱性検知器で一貫して動作することを示す。
  論文  参考訳（メタデータ） (2024-01-05T10:15:04Z)

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。