Buchumschlag

Top Score on the Wrong Exam: On Benchmarking in Machine Learning for Vulnerability Detection

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Risse, Niklas, Liu, Jing, Böhme, Marcel
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Uncovering the Limits of Machine Learning for Automatic Vulnerability Detection
von: Risse, Niklas, et al.
Veröffentlicht: (2023)

Vulnerabilities in Machine Learning-Based Voice Disorder Detection Systems
von: Perelli, Gianpaolo, et al.
Veröffentlicht: (2024)

Vulnerability Detection in Ethereum Smart Contracts via Machine Learning: A Qualitative Analysis
von: Ressi, Dalila, et al.
Veröffentlicht: (2024)

Deep Learning-based Binary Analysis for Vulnerability Detection in x86-64 Machine Code
von: Petingola, Mitchell
Veröffentlicht: (2026)

A Geometric Framework for Adversarial Vulnerability in Machine Learning
von: Bell, Brian
Veröffentlicht: (2024)

FT-PrivacyScore: Personalized Privacy Scoring Service for Machine Learning Participation
von: Gu, Yuechun, et al.
Veröffentlicht: (2024)

Fundamental Challenges in Cybersecurity and a Philosophy of Vulnerability-Guided Hardening
von: Böhme, Marcel
Veröffentlicht: (2024)

MGTBench: Benchmarking Machine-Generated Text Detection
von: He, Xinlei, et al.
Veröffentlicht: (2023)

Vulnerability Detection in C/C++ Code with Deep Learning
von: Huang, Zhen, et al.
Veröffentlicht: (2024)

Predicting Vulnerability to Malware Using Machine Learning Models: A Study on Microsoft Windows Machines
von: Esnaashari, Marzieh, et al.
Veröffentlicht: (2025)

TinyML Security: Exploring Vulnerabilities in Resource-Constrained Machine Learning Systems
von: Huckelberry, Jacob, et al.
Veröffentlicht: (2024)

A Customer Level Fraudulent Activity Detection Benchmark for Enhancing Machine Learning Model Research and Evaluation
von: Jing, Phoebe, et al.
Veröffentlicht: (2024)

Benchmarking LLAMA Model Security Against OWASP Top 10 For LLM Applications
von: Shahin, Nourin, et al.
Veröffentlicht: (2026)

Reconstruction Attacks on Machine Unlearning: Simple Models are Vulnerable
von: Bertran, Martin, et al.
Veröffentlicht: (2024)

To Err is Machine: Vulnerability Detection Challenges LLM Reasoning
von: Steenhoek, Benjamin, et al.
Veröffentlicht: (2024)

Evil from Within: Machine Learning Backdoors through Hardware Trojans
von: Warnecke, Alexander, et al.
Veröffentlicht: (2023)

A Machine Learning Driven Website Platform and Browser Extension for Real-time Scoring and Fraud Detection for Website Legitimacy Verification and Consumer Protection
von: Chy, Md Kamrul Hasan, et al.
Veröffentlicht: (2024)

Towards Unveiling Vulnerabilities of Large Reasoning Models in Machine Unlearning
von: Chen, Aobo, et al.
Veröffentlicht: (2026)

Evaluating Line-level Localization Ability of Learning-based Code Vulnerability Detection Models
von: Pintore, Marco, et al.
Veröffentlicht: (2025)

Towards Benchmarking Privacy Vulnerabilities in Selective Forgetting with Large Language Models
von: Qian, Wei, et al.
Veröffentlicht: (2025)

SoK: Data Reconstruction Attacks Against Machine Learning Models: Definition, Metrics, and Benchmark
von: Wen, Rui, et al.
Veröffentlicht: (2025)

Unraveling the Key of Machine Learning-based Android Malware Detection
von: Liu, Jiahao, et al.
Veröffentlicht: (2024)

MTVHunter: Smart Contracts Vulnerability Detection Based on Multi-Teacher Knowledge Translation
von: Sun, Guokai, et al.
Veröffentlicht: (2025)

Vulnerability Detection in Smart Contracts: A Comprehensive Survey
von: De Baets, Christopher, et al.
Veröffentlicht: (2024)

Knowledge Migration Framework for Smart Contract Vulnerability Detection
von: Wang, Luqi, et al.
Veröffentlicht: (2024)

Statement-Level Vulnerability Detection: Learning Vulnerability Patterns Through Information Theory and Contrastive Learning
von: Nguyen, Van, et al.
Veröffentlicht: (2022)

Dual-view Aware Smart Contract Vulnerability Detection for Ethereum
von: Yao, Jiacheng, et al.
Veröffentlicht: (2024)

Ransomware Detection Using Machine Learning in the Linux Kernel
von: Brodzik, Adrian, et al.
Veröffentlicht: (2024)

Intrusion Detection in Internet of Vehicles Using Machine Learning
von: Le, Hop, et al.
Veröffentlicht: (2025)

Dissecting the Black Box: Circuit-Level Analysis of LLM Vulnerability Detection
von: Atiiq, Syafiq Al, et al.
Veröffentlicht: (2026)

Level Up with ML Vulnerability Identification: Leveraging Domain Constraints in Feature Space for Robust Android Malware Detection
von: Bostani, Hamid, et al.
Veröffentlicht: (2022)

Optimized IoT Intrusion Detection using Machine Learning Technique
von: Mahmud, Muhammad Zawad, et al.
Veröffentlicht: (2024)

On the Generalizability of Machine Learning-based Ransomware Detection in Block Storage
von: Reategui, Nicolas, et al.
Veröffentlicht: (2024)

Machine Learning Driven Smishing Detection Framework for Mobile Security
von: Goel, Diksha, et al.
Veröffentlicht: (2024)

New Machine Learning Approaches for Intrusion Detection in ADS-B
von: Ngamboé, Mikaëla, et al.
Veröffentlicht: (2025)

Code-Centric Detection of Vulnerability-Fixing Commits: A Unified Benchmark and Empirical Study
von: Loose, Nils, et al.
Veröffentlicht: (2026)

Mitigating Membership Inference Vulnerability in Personalized Federated Learning
von: Jung, Kangsoo, et al.
Veröffentlicht: (2025)

Revisiting Label Inference Attacks in Vertical Federated Learning: Why They Are Vulnerable and How to Defend
von: Liu, Yige, et al.
Veröffentlicht: (2026)

Learning-based Models for Vulnerability Detection: An Extensive Study
von: Ni, Chao, et al.
Veröffentlicht: (2024)

A Systematic Study of Code Obfuscation Against LLM-based Vulnerability Detection
von: Li, Xiao, et al.
Veröffentlicht: (2025)