AITOP

CWE

共 3 条相关 AI 资讯
7月9日
09:39
09:39官方账号arXiv cs.LG@Ana Schwengber Kelm, Christian Bockermann, Jörg Frochte
该论文将CVE到CWE映射视为文本分类任务，比较了多类（每CVE预测一个CWE）和多标签（允许多个CWE）两种公式。在三个编码器（BERT Base、SecureBERT、CySecBERT）和三个嵌套标签空间（83、47、25类）上评估，多类训练在所有设置中macro-F1更高，但差距从21个百分点缩小至2个百分点。后处理阈值优化在25类设置中弥补了差距。混淆分析显示，主要错误模式遵循CWE层次结构，且三个编码器间高度相关（Pearson r>0.92），表明错误结构主要由分类体系设计而非编码器选择驱动。层次放松评估将macro-F1从约81%提升至约90%，表明严格指标低估了分支级分类质量。CySecBERT在多数设置中取得最强结果。
论文CVECWEBERT文本分类网络安全
推荐理由：这篇论文用三种BERT模型对比了多类和多标签的漏洞分类效果，发现错误更多来自CWE层次结构而非模型选择，对安全领域做文本分类的人很有参考价值。
原文
6月23日
11:08
11:08官方账号arXiv cs.AI@Alexander V. Kozachok, Stanislav G. Vyugov, Shamil G. Magomedov
论文基于LID-DS-2021数据集，选取CWE-307（认证绕过）、CWE-89（SQL注入）、CWE-434（文件上传）三个CWE家族，提取66维Peng-Guo式特征向量，训练Isolation Forest和SGD One-Class SVM检测器。针对CWE-307，组合检测器在校准目标FPR=0.05时达到F1=0.6976（精确率0.8994，召回率0.5698），但CWE-89和CWE-434的F1均低于0.21。研究发现跨CVE迁移具有强烈方向依赖性，主要由源正常行为轮廓广度而非CWE标签决定。论文强调校准FPR是诚实报告的方法论前提。
论文CVECWEHIDS入侵检测系统调用
推荐理由：这篇论文用实际数据告诉你：用CWE分类训练HIDS能不能泛化到新CVE？结论是有的行有的不行，关键看行为轮廓而不是标签。
原文
6月16日
10:48
10:48官方一手arXiv: DeepSeek@Xiaoyun Xu, Lichao Wu, Jona te Lintelo, Siyu Zhang, Stjepan Picek
SPARK是一种无需重训练的推理时安全机制，通过两步骤激活预训练模型中已有的安全知识。第一步针对编码任务检索少量CWE条目并附加结构化提示，第二步在每个解码步骤添加预计算token偏置（来自安全方向向量投影）。在9个开源模型（C++/Java/Python）上评估，SPARK匹配或优于7种基线方法，同时保持HumanEval代码能力。在Claude、DeepSeek、GPT等7个黑盒模型上进一步验证了激活瓶颈的存在和SPARK的改进效果。
论文SPARK代码安全安全生成推理时CWE
推荐理由：不用微调，不拖慢速度，只加几行提示和词向量偏置，代码安全就上去了，效果和重训练一样好。
原文