論文の概要: Beyond the Diff - VulSpot: A Vulnerability Dataset Where No Vulnerability Goes Unlocalized
- arxiv url: http://arxiv.org/abs/2611.15737v1
- Date: Wed, 11 Nov 2026 17:16:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.202826
- Title: Beyond the Diff - VulSpot: A Vulnerability Dataset Where No Vulnerability Goes Unlocalized
- Title(参考訳): ディフを越えて - VulSpot: 脆弱性が非ローカライズされる脆弱性データセット
- Abstract要約: VulSpotは、脆弱性を検出し、分類し、ローカライズするための生きたベンチマークである。
登録された24kのCVEから、21言語で500k以上の関数を持ち、15k以上の脆弱なC/C++関数を含む。
以前のdiffベースのデータセットがロケーションなしで出発した関数の99.3%に脆弱性がある。
- 参考スコア(独自算出の注目度): 0.6588840794922407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A vulnerability detector is only as trustworthy as the benchmark that scores it, and today's real-world datasets tend to flatter detectors. They are often built once and never refreshed, so they quickly miss new vulnerabilities, their labels are either noisy or heavily filtered, and their random splits let models train on near-copies of test code and on future vulnerabilities. Above all, when a fix only adds code, such as a missing NULL check, they do not point at where the vulnerability was, preventing detectors from learning to localize some of the most common C/C++ weaknesses. We present VulSpot, a living benchmark for detecting, classifying, and localizing vulnerabilities, with over 500k functions in 21 languages from 24k registered CVEs, including over 15k vulnerable C/C++ functions. By linking the code added by a patch to the existing statement it protects, VulSpot locates the vulnerability in 99.3\% of the functions that previous diff-based datasets used to leave without a location. Rather than discarding uncertain labels, it tells users how reliable each one is, and it comes with leak-free splits, complementary code context, and hierarchical CWE labels. An automated pipeline refreshes VulSpot every month, so that each release brings vulnerabilities no model has seen yet.
- Abstract(参考訳): 脆弱性検知器は、それを評価するベンチマークと同じくらい信頼でき、今日の現実世界のデータセットは検出器をフラットにする傾向がある。
しばしば一度ビルドされ、リフレッシュされないため、新しい脆弱性をすぐに見逃し、ラベルは騒々しいか、あるいは過度にフィルタリングされ、ランダムな分割によって、モデルはテストコードのほぼコピーと将来の脆弱性をトレーニングできる。
とりわけ、修正がNULLチェックの欠如などのコードのみを追加すると、脆弱性がどこにあるかは指摘されず、検出器が学習して最も一般的なC/C++の弱点をローカライズするのを防ぐ。
我々は、脆弱性を検出し、分類し、ローカライズするための生きたベンチマークであるVulSpotを紹介します。
パッチによって追加されたコードを保護している既存のステートメントにリンクすることで、VulSpotは、以前のdiffベースのデータセットがロケーションなしで出発した関数の99.3\%に脆弱性を見つける。
不確実なラベルを捨てるのではなく、各ラベルの信頼性を教え、リークのない分割、補完的なコードコンテキスト、階層的なCWEラベルが付属する。
自動パイプラインは、VulSpotを毎月更新するので、各リリースはモデルがまだ見ていない脆弱性をもたらす。
関連論文リスト
- CyberBinGym: Can AI Agents Turn Binary Patches into Real Exploits? [47.08475100607979]
セキュリティ修正は通常、コンパイルされた更新時にユーザに到達するが、デプロイメントの遅延により、未パッチのシステムが公開される。
我々はCyberBinGymを紹介した。これは53の広く使われているプロジェクトで実際の脆弱性から派生した100のタスクを含むベンチマークである。
エージェントはソースコードや脆弱性情報なしで、削除された脆弱性とパッチされたバイナリを受け取り、静的解析と動的解析を組み合わせて脆弱性を回復し、悪用する必要がある。
論文 参考訳(メタデータ) (2026-11-07T13:31:11Z) - 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) - 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) - Specification-Guided Vulnerability Detection with Large Language Models [32.77684612568584]
VulInstructは、過去の脆弱性からセキュリティ仕様を抽出して、新たな脆弱性を検出する仕様誘導型アプローチである。
PrimeVulでは、VulInstructの45.0%のF1スコア(32.7%の改善)と37.7%のリコール(50.8%の改善)がベースラインと比較している。
論文 参考訳(メタデータ) (2025-11-06T03:21:46Z) - What Do They Fix? LLM-Aided Categorization of Security Patches for Critical Memory Bugs [46.325755802511026]
我々は、LLM(Large Language Model)と細調整された小言語モデルに基づく2つのアプローチを統合するデュアルメタルパイプラインであるLMを開発した。
LMは、OOBまたはUAFの脆弱性に対処する最近のLinuxカーネルのパッチ5,140のうち111つを、手作業による検証によって90の正の正が確認された。
論文 参考訳(メタデータ) (2025-09-26T18:06:36Z) - 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) - CyberGym: Evaluating AI Agents' Real-World Cybersecurity Capabilities at Scale [45.97598662617568]
我々は188のソフトウェアプロジェクトにわたる1,507の実際の脆弱性を特徴とする大規模ベンチマークであるCyberGymを紹介した。
我々はCyberGymが35のゼロデイ脆弱性と17の歴史的不完全なパッチを発見できることを示した。
これらの結果は、CyberGymは、サイバーセキュリティにおけるAIの進歩を測定するための堅牢なベンチマークであるだけでなく、直接的な現実世界のセキュリティ効果を生み出すためのプラットフォームでもあることを強調している。
論文 参考訳(メタデータ) (2025-06-03T07:35:14Z) - 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) - 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)
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。