Buchumschlag

Security Vulnerabilities in AI-Generated Code: A Large-Scale Analysis of Public GitHub Repositories

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Schreiber, Maximilian, Tippe, Pascal
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Is GitHub's Copilot as Bad as Humans at Introducing Vulnerabilities in Code?
von: Asare, Owura, et al.
Veröffentlicht: (2022)

Security Weaknesses of Copilot-Generated Code in GitHub Projects: An Empirical Study
von: Fu, Yujia, et al.
Veröffentlicht: (2023)

Demystifying and Detecting Agentic Workflow Injection Vulnerabilities in GitHub Actions
von: Wang, Shenao, et al.
Veröffentlicht: (2026)

Unveiling A Hidden Risk: Exposing Educational but Malicious Repositories in GitHub
von: Masud, Md Rayhanul, et al.
Veröffentlicht: (2024)

Unpacking Security Scanners for GitHub Actions Workflows
von: Fares, Madjda, et al.
Veröffentlicht: (2026)

Bugdar: AI-Augmented Secure Code Review for GitHub Pull Requests
von: Naulty, John, et al.
Veröffentlicht: (2025)

Characterizing and Modeling the GitHub Security Advisories Review Pipeline
von: Segal, Claudio, et al.
Veröffentlicht: (2026)

On the effectiveness of Large Language Models for GitHub Workflows
von: Zhang, Xinyu, et al.
Veröffentlicht: (2024)

LLM-Enabled Open-Source Systems in the Wild: An Empirical Study of Vulnerabilities in GitHub Security Advisories
von: Shifat, Fariha Tanjim, et al.
Veröffentlicht: (2026)

Enhancing Security of AI-Based Code Synthesis with GitHub Copilot via Cheap and Efficient Prompt-Engineering
von: Res, Jakub, et al.
Veröffentlicht: (2024)

Security Concerns in Generative AI Coding Assistants: Insights from Online Discussions on GitHub Copilot
von: Ferreyra, Nicolás E. Díaz, et al.
Veröffentlicht: (2026)

Security in the Age of AI Teammates: An Empirical Study of Agentic Pull Requests on GitHub
von: Siddiq, Mohammed Latif, et al.
Veröffentlicht: (2026)

Eradicating the Unseen: Detecting, Exploiting, and Remediating a Path Traversal Vulnerability across GitHub
von: Akhoundali, Jafar, et al.
Veröffentlicht: (2025)

Can Highlighting Help GitHub Maintainers Track Security Fixes?
von: Liu, Xueqing, et al.
Veröffentlicht: (2024)

Automating the Detection of Code Vulnerabilities by Analyzing GitHub Issues
von: Cipollone, Daniele, et al.
Veröffentlicht: (2025)

Granite: Granular Runtime Enforcement for GitHub Actions Permissions
von: Moazen, Mojtaba, et al.
Veröffentlicht: (2025)

"I wasn't sure if this is indeed a security risk": Data-driven Understanding of Security Issue Reporting in GitHub Repositories of Open Source npm Packages
von: Ghosh, Rajdeep, et al.
Veröffentlicht: (2025)

Heimdallr: Characterizing and Detecting LLM-Induced Security Risks in GitHub CI Workflows
von: Ruan, Bonan, et al.
Veröffentlicht: (2026)

Exploring User Privacy Awareness on GitHub: An Empirical Study
von: Alfieri, Costanza, et al.
Veröffentlicht: (2024)

On the Prevalence and Usage of Commit Signing on GitHub: A Longitudinal and Cross-Domain Study
von: Sharma, Anupam, et al.
Veröffentlicht: (2025)

IssueGuard: Real-Time Secret Leak Prevention Tool for GitHub Issue Reports
von: Rahman, Md Nafiu, et al.
Veröffentlicht: (2026)

Six Million (Suspected) Fake Stars in GitHub: A Growing Spiral of Popularity Contests, Spams, and Malware
von: He, Hao, et al.
Veröffentlicht: (2024)

Benchmarking LLMs and LLM-based Agents in Practical Vulnerability Detection for Code Repositories
von: Yildiz, Alperen, et al.
Veröffentlicht: (2025)

The Hidden Dangers of Public Serverless Repositories: An Empirical Security Assessment
von: Marin, Eduard, et al.
Veröffentlicht: (2025)

AVIATOR: Towards AI-Agentic Vulnerability Injection Workflow for High-Fidelity, Large-Scale Code Security Dataset
von: Lbath, Amine, et al.
Veröffentlicht: (2025)

Persistent Human Feedback, LLMs, and Static Analyzers for Secure Code Generation and Vulnerability Detection
von: Firouzi, Ehsan, et al.
Veröffentlicht: (2026)

RealSec-bench: A Benchmark for Evaluating Secure Code Generation in Real-World Repositories
von: Wang, Yanlin, et al.
Veröffentlicht: (2026)

Policy-Driven Vulnerability Risk Quantification framework for Large-Scale Cloud Infrastructure Data Security
von: Shao, Wanru
Veröffentlicht: (2026)

Large-Scale (Semi-)Automated Security Assessment of Consumer IoT Devices -- A Roadmap
von: Schöttle, Pascal, et al.
Veröffentlicht: (2025)

Broken by Default: A Formal Verification Study of Security Vulnerabilities in AI-Generated Code
von: Blain, Dominik, et al.
Veröffentlicht: (2026)

BinPool: A Dataset of Vulnerabilities for Binary Security Analysis
von: Arasteh, Sima, et al.
Veröffentlicht: (2025)

GoodVibe: Security-by-Vibe for LLM-Based Code Generation
von: Thang, Maximilian, et al.
Veröffentlicht: (2026)

Quantifying Security Vulnerabilities: A Metric-Driven Security Analysis of Gaps in Current AI Standards
von: Madhavan, Keerthana, et al.
Veröffentlicht: (2025)

SecRepoBench: Benchmarking Code Agents for Secure Code Completion in Real-World Repositories
von: Shen, Chihao, et al.
Veröffentlicht: (2025)

Assessing Vulnerability in Smart Contracts: The Role of Code Complexity Metrics in Security Analysis
von: Tehrani, Masoud Jamshidiyan
Veröffentlicht: (2024)

Obfuscating Code Vulnerabilities against Static Analysis in JavaScript Code
von: Pagano, Francesco, et al.
Veröffentlicht: (2026)

How Vulnerable Are AI Agents to Indirect Prompt Injections? Insights from a Large-Scale Public Competition
von: Dziemian, Mateusz, et al.
Veröffentlicht: (2026)

SafeGenBench: A Benchmark Framework for Security Vulnerability Detection in LLM-Generated Code
von: Li, Xinghang, et al.
Veröffentlicht: (2025)

DeepCode AI Fix: Fixing Security Vulnerabilities with Large Language Models
von: Berabi, Berkay, et al.
Veröffentlicht: (2024)

Data Poisoning Vulnerabilities Across Healthcare AI Architectures: A Security Threat Analysis
von: Abtahi, Farhad, et al.
Veröffentlicht: (2025)