Buchumschlag

From Lab to Reality: A Practical Evaluation of Deep Learning Models and LLMs for Vulnerability Detection

Fuente: arXiv

Gespeichert in:

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

Ähnliche Einträge

Towards Causal Deep Learning for Vulnerability Detection
von: Rahman, Md Mahbubur, et al.
Veröffentlicht: (2023)

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

SCoPE: Evaluating LLMs for Software Vulnerability Detection
von: Gonçalves, José, et al.
Veröffentlicht: (2024)

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

MVD: A Multi-Lingual Software Vulnerability Detection Framework
von: Zhang, Boyu, et al.
Veröffentlicht: (2024)

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

Security Vulnerability Detection with Multitask Self-Instructed Fine-Tuning of Large Language Models
von: Yang, Aidan Z. H., et al.
Veröffentlicht: (2024)

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

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

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

MARGIN: Margin-Aware Regularized Geometry for Imbalanced Vulnerability Detection
von: Zhang, Yuteng, et al.
Veröffentlicht: (2026)

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

From Trace to Line: LLM Agent for Real-World OSS Vulnerability Localization
von: Xi, Haoran, 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)

Strategic Heterogeneous Multi-Agent Architecture for Cost-Effective Code Vulnerability Detection
von: Wang, Zhaohui Geoffrey
Veröffentlicht: (2026)

Beyond Fidelity: Explaining Vulnerability Localization of Learning-based Detectors
von: Cheng, Baijun, et al.
Veröffentlicht: (2024)

Are Latent Vulnerabilities Hidden Gems for Software Vulnerability Prediction? An Empirical Study
von: Le, Triet H. M., et al.
Veröffentlicht: (2024)

Closing the Gap: A User Study on the Real-world Usefulness of AI-powered Vulnerability Detection & Repair in the IDE
von: Steenhoek, Benjamin, et al.
Veröffentlicht: (2024)

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

Deep Learning Model Security: Threats and Defenses
von: Wang, Tianyang, et al.
Veröffentlicht: (2024)

Evaluating LLaMA 3.2 for Software Vulnerability Detection
von: Gonçalves, José, et al.
Veröffentlicht: (2025)

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

Evaluating LLM-Generated Obfuscated XSS Payloads for Machine Learning-Based Detection
von: Gabbireddy, Divyesh, et al.
Veröffentlicht: (2026)

Evaluating and Improving the Robustness of Security Attack Detectors Generated by LLMs
von: Pasini, Samuele, et al.
Veröffentlicht: (2024)

Revisiting Pre-trained Language Models for Vulnerability Detection
von: Li, Youpeng, et al.
Veröffentlicht: (2025)

A Manually-Curated Dataset of Fixes to Vulnerabilities of Open-Source Software
von: Ponta, Serena E., et al.
Veröffentlicht: (2019)

Your Compiler is Backdooring Your Model: Understanding and Exploiting Compilation Inconsistency Vulnerabilities in Deep Learning Compilers
von: Chen, Simin, et al.
Veröffentlicht: (2025)

ICVul: A Well-labeled C/C++ Vulnerability Dataset with Comprehensive Metadata and VCCs
von: Lu, Chaomeng, et al.
Veröffentlicht: (2025)

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

Deep Learning Aided Software Vulnerability Detection: A Survey
von: Uddin, Md Nizam, et al.
Veröffentlicht: (2025)

SHERLOCK: A Deep Learning Approach To Detect Software Vulnerabilities
von: Jawwadh, Saadh, et al.
Veröffentlicht: (2025)

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

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

Automated Mapping of Vulnerability Advisories onto their Fix Commits in Open Source Repositories
von: Hommersom, Daan, et al.
Veröffentlicht: (2021)

Mitigating Data Imbalance for Software Vulnerability Assessment: Does Data Augmentation Help?
von: Le, Triet H. M., et al.
Veröffentlicht: (2024)

Software Vulnerability Prediction in Low-Resource Languages: An Empirical Study of CodeBERT and ChatGPT
von: Le, Triet H. M., et al.
Veröffentlicht: (2024)

Automated Code-centric Software Vulnerability Assessment: How Far Are We? An Empirical Study in C/C++
von: Nguyen, Anh The, 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)

DLAP: A Deep Learning Augmented Large Language Model Prompting Framework for Software Vulnerability Detection
von: Yang, Yanjing, et al.
Veröffentlicht: (2024)

Cyber Threat Detection and Vulnerability Assessment System using Generative AI and Large Language Model
von: M, Keerthi Kumar., et al.
Veröffentlicht: (2026)