Buchumschlag

Using ML filters to help automated vulnerability repairs: when it helps and when it doesn't

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Camporese, Maria, Massacci, Fabio
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Repairing vulnerabilities without invisible hands. A differentiated replication study on LLMs
von: Camporese, Maria, et al.
Veröffentlicht: (2025)

A Systematic Literature Review on Automated Exploit and Security Test Generation
von: Bui, Quang-Cuong, et al.
Veröffentlicht: (2025)

Expanding ML-Documentation Standards For Better Security
von: Appel, Cara Ellen
Veröffentlicht: (2025)

Who Audits the Auditor? Tamper-Proof Fraud Detection with Blockchain-Anchored Explainable ML
von: Wang, Zhaohui
Veröffentlicht: (2026)

A Large-Scale Exploit Instrumentation Study of AI/ML Supply Chain Attacks in Hugging Face Models
von: Casey, Beatrice, et al.
Veröffentlicht: (2024)

A hybrid LLM workflow can help identify user privilege related variables in programs of any size
von: Wang, Haizhou, et al.
Veröffentlicht: (2024)

Risks of ignoring uncertainty propagation in AI-augmented security pipelines
von: Mezzi, Emanuele, et al.
Veröffentlicht: (2024)

Efficient Software Vulnerability Detection Using Transformer-based Models
von: Shaik, Sameer, et al.
Veröffentlicht: (2026)

Beyond Random Inputs: A Novel ML-Based Hardware Fuzzing
von: Rostami, Mohamadreza, et al.
Veröffentlicht: (2024)

Defending against Adversarial Malware Attacks on ML-based Android Malware Detection Systems
von: He, Ping, et al.
Veröffentlicht: (2025)

Using AI Assistants in Software Development: A Qualitative Study on Security Practices and Concerns
von: Klemmer, Jan H., et al.
Veröffentlicht: (2024)

Assessing the Software Security Comprehension of Large Language Models
von: Siddiq, Mohammed Latif, et al.
Veröffentlicht: (2025)

Security and Quality in LLM-Generated Code: A Multi-Language, Multi-Model Analysis
von: Kharma, Mohammed, et al.
Veröffentlicht: (2025)

RESCUE: Retrieval Augmented Secure Code Generation
von: Shi, Jiahao, et al.
Veröffentlicht: (2025)

THEMIS: Towards Practical Intellectual Property Protection for Post-Deployment On-Device Deep Learning Models
von: Huang, Yujin, et al.
Veröffentlicht: (2025)

Enhancing Cloud Security through Topic Modelling
von: Saleh, Sabbir M., et al.
Veröffentlicht: (2025)

SeBERTis: A Framework for Producing Classifiers of Security-Related Issue Reports
von: Masoumzadeh, Sogol, et al.
Veröffentlicht: (2025)

How Safe Are AI-Generated Patches? A Large-scale Study on Security Risks in LLM and Agentic Automated Program Repair on SWE-bench
von: Sajadi, Amirali, et al.
Veröffentlicht: (2025)

Alleviating Attack Data Scarcity: SCANIA's Experience Towards Enhancing In-Vehicle Cyber Security Measures
von: Sundfeldt, Frida, et al.
Veröffentlicht: (2025)

Fast, Fine-Grained Equivalence Checking for Neural Decompilers
von: Dramko, Luke, et al.
Veröffentlicht: (2025)

XOXO: Stealthy Cross-Origin Context Poisoning Attacks against AI Coding Assistants
von: Štorek, Adam, et al.
Veröffentlicht: (2025)

From Trace to Line: LLM Agent for Real-World OSS Vulnerability Localization
von: Xi, Haoran, et al.
Veröffentlicht: (2025)

From Lab to Reality: A Practical Evaluation of Deep Learning Models and LLMs for Vulnerability Detection
von: Lu, Chaomeng, et al.
Veröffentlicht: (2025)

From Coverage to Causes: Data-Centric Fuzzing for JavaScript Engines
von: Ganguly, Kishan Kumar, et al.
Veröffentlicht: (2025)

EditLord: Learning Code Transformation Rules for Code Editing
von: Li, Weichen, et al.
Veröffentlicht: (2025)

SecureInfer: Heterogeneous TEE-GPU Architecture for Privacy-Critical Tensors for Large Language Model Deployment
von: Nayan, Tushar, et al.
Veröffentlicht: (2025)

AGNOMIN -- Architecture Agnostic Multi-Label Function Name Prediction
von: Achamyeleh, Yonatan Gizachew, et al.
Veröffentlicht: (2025)

Rethinking the Evaluation of Secure Code Generation
von: Dai, Shih-Chieh, et al.
Veröffentlicht: (2025)

A Study on Mixup-Inspired Augmentation Methods for Software Vulnerability Detection
von: Daneshvar, Seyed Shayan, et al.
Veröffentlicht: (2025)

Floating-Point Neural Network Verification at the Software Level
von: Manino, Edoardo, et al.
Veröffentlicht: (2025)

LLM-based Vulnerability Discovery through the Lens of Code Metrics
von: Weissberg, Felix, et al.
Veröffentlicht: (2025)

On the Difficulty of Selecting Few-Shot Examples for Effective LLM-based Vulnerability Detection
von: Hannan, Md Abdul, et al.
Veröffentlicht: (2025)

Learning to Triage Taint Flows Reported by Dynamic Program Analysis in Node.js Packages
von: Ni, Ronghao, et al.
Veröffentlicht: (2025)

deepSURF: Detecting Memory Safety Vulnerabilities in Rust Through Fuzzing LLM-Augmented Harnesses
von: Androutsopoulos, Georgios, et al.
Veröffentlicht: (2025)

Protecting Deep Learning Model Copyrights with Adversarial Example-Free Reuse Detection
von: Luan, Xiaokun, et al.
Veröffentlicht: (2024)

Beimingwu: A Learnware Dock System
von: Tan, Zhi-Hao, et al.
Veröffentlicht: (2024)

Towards Predicting Multi-Vulnerability Attack Chains in Software Supply Chains from Software Bill of Materials Graphs
von: Baird, Laura, et al.
Veröffentlicht: (2026)

Automatic Data Labeling for Software Vulnerability Prediction Models: How Far Are We?
von: Le, Triet H. M., et al.
Veröffentlicht: (2024)

Unintentional Security Flaws in Code: Automated Defense via Root Cause Analysis
von: Islam, Nafis Tanveer, et al.
Veröffentlicht: (2024)

ANVIL: Anomaly-based Vulnerability Identification without Labelled Training Data
von: Wang, Weizhou, et al.
Veröffentlicht: (2024)