Buchumschlag

Vulnerability Detection with Interprocedural Context in Multiple Languages: Assessing Effectiveness and Cost of Modern LLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lira, Kevin, Fonseca, Baldoino, Baía, Davy, Ribeiro, Márcio, Assunção, Wesley K. G.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Software Engineering Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Vulnerability Detection in Popular Programming Languages with Language Models
von: Atiiq, Syafiq Al, et al.
Veröffentlicht: (2024)

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

A Ground-Truth-Based Evaluation of Vulnerability Detection Across Multiple Ecosystems
von: Mandl, Peter, et al.
Veröffentlicht: (2026)

On the Effectiveness of Function-Level Vulnerability Detectors for Inter-Procedural Vulnerabilities
von: Li, Zhen, et al.
Veröffentlicht: (2024)

From Generalist to Specialist: Exploring CWE-Specific Vulnerability Detection
von: Atiiq, Syafiq Al, et al.
Veröffentlicht: (2024)

One Signature, Multiple Payments: Demystifying and Detecting Signature Replay Vulnerabilities in Smart Contracts
von: Wang, Zexu, et al.
Veröffentlicht: (2025)

Beyond Function-Level Analysis: Context-Aware Reasoning for Inter-Procedural Vulnerability Detection
von: Li, Yikun, et al.
Veröffentlicht: (2026)

Understanding the Effectiveness of Large Language Models in Detecting Security Vulnerabilities
von: Khare, Avishree, et al.
Veröffentlicht: (2023)

ACFIX: Guiding LLMs with Mined Common RBAC Practices for Context-Aware Repair of Access Control Vulnerabilities in Smart Contracts
von: Zhang, Lyuye, et al.
Veröffentlicht: (2024)

VulInstruct: Teaching LLMs Root-Cause Reasoning for Vulnerability Detection via Security Specifications
von: Zhu, Hao, et al.
Veröffentlicht: (2025)

HALURust: Exploiting Hallucinations of Large Language Models to Detect Vulnerabilities in Rust
von: Luo, Yu, et al.
Veröffentlicht: (2025)

VulnRepairEval: An Exploit-Based Evaluation Framework for Assessing Large Language Model Vulnerability Repair Capabilities
von: Wang, Weizhe, et al.
Veröffentlicht: (2025)

CEBin: A Cost-Effective Framework for Large-Scale Binary Code Similarity Detection
von: Wang, Hao, et al.
Veröffentlicht: (2024)

SCALE: Constructing Structured Natural Language Comment Trees for Software Vulnerability Detection
von: Wen, Xin-Cheng, et al.
Veröffentlicht: (2024)

Expert-in-the-Loop Systems with Cross-Domain and In-Domain Few-Shot Learning for Software Vulnerability Detection
von: Farr, David, et al.
Veröffentlicht: (2025)

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

Guiding Symbolic Execution with Static Analysis and LLMs for Vulnerability Discovery
von: Shafiuzzaman, Md, et al.
Veröffentlicht: (2026)

Game Rewards Vulnerabilities: Software Vulnerability Detection with Zero-Sum Game and Prototype Learning
von: Wen, Xin-Cheng, et al.
Veröffentlicht: (2024)

Assessing the Effectiveness of Binary-Level CFI Techniques
von: Vaidya, Ruturaj K., et al.
Veröffentlicht: (2024)

Enhancing Pre-Trained Language Models for Vulnerability Detection via Semantic-Preserving Data Augmentation
von: Qi, Weiliang, et al.
Veröffentlicht: (2024)

How Code Representation Shapes False-Positive Dynamics in Cross-Language LLM Vulnerability Detection
von: Chen, Maofei, et al.
Veröffentlicht: (2026)

Out of Distribution, Out of Luck: How Well Can LLMs Trained on Vulnerability Datasets Detect Top 25 CWE Weaknesses?
von: Li, Yikun, et al.
Veröffentlicht: (2025)

Detecting Protracted Vulnerabilities in Open Source Projects
von: Sridharkumar, Arjun, et al.
Veröffentlicht: (2026)

Do Fine-Tuned LLMs Understand Vulnerabilities? An Investigation into the Semantic Trap
von: Huang, Feiyang, et al.
Veröffentlicht: (2026)

Does the Vulnerability Threaten Our Projects? Automated Vulnerable API Detection for Third-Party Libraries
von: Zhang, Fangyuan, et al.
Veröffentlicht: (2024)

On the Effectiveness of LLMs for Manual Test Verifications
von: Peixoto, Myron David Lucena Campos, et al.
Veröffentlicht: (2024)

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

Harnessing the Power of LLMs in Source Code Vulnerability Detection
von: Mahyari, Andrew A
Veröffentlicht: (2024)

PATCHEVAL: A New Benchmark for Evaluating LLMs on Patching Real-World Vulnerabilities
von: Wei, Zichao, et al.
Veröffentlicht: (2025)

Impact of Code Transformation on Detection of Smart Contract Vulnerabilities
von: Manh, Cuong Tran, et al.
Veröffentlicht: (2024)

Multi-Agent Taint Specification Extraction for Vulnerability Detection
von: Ghebremichael, Jonah, et al.
Veröffentlicht: (2026)

Model Context Protocol Threat Modeling and Analyzing Vulnerabilities to Prompt Injection with Tool Poisoning
von: Huang, Charoes, et al.
Veröffentlicht: (2026)

Many Tools, Few Exploitable Vulnerabilities: A Survey of 246 Static Code Analyzers for Security
von: Hermann, Kevin, et al.
Veröffentlicht: (2026)

SAGA: Detecting Security Vulnerabilities Using Static Aspect Analysis
von: Marquer, Yoann, et al.
Veröffentlicht: (2026)

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)

Lightweight Vulnerability Detection from Code Metrics and Token Features
von: Chiu, Chun Yin
Veröffentlicht: (2026)

VULPO: Context-Aware Vulnerability Detection via On-Policy LLM Optimization
von: Li, Youpeng, et al.
Veröffentlicht: (2025)

Evaluating Large Language Models for Line-Level Vulnerability Localization
von: Zhang, Jian, et al.
Veröffentlicht: (2024)

AI-Based Software Vulnerability Detection: A Systematic Literature Review
von: Shimmi, Samiha, et al.
Veröffentlicht: (2025)