Effiziente Nutzung von Großen Sprachmodellen für die Erkennung und Reparatur von Sicherheitslücken: Eine systematische Literaturübersicht und Roadmap
Große Sprachmodelle (LLMs) haben sich als effektiv für verschiedene Aufgaben im Bereich der Softwaretechnik erwiesen, einschließlich der Erkennung und Reparatur von Sicherheitslücken. Diese Studie bietet eine systematische Literaturübersicht über Ansätze, die LLMs zur Verbesserung dieser beiden Aufgaben nutzen.
Umfassende Bewertung von Open-Source-LLMs für die Erkennung von Softwareschwachstellen
Große Sprachmodelle (LLMs) zeigen in einigen Aspekten gute Leistungen, müssen aber bei der genauen Erkennung und Beschreibung von Softwareschwachstellen noch verbessert werden.
Eine umfassende empirische Studie zur automatischen Lokalisierung von Sicherheitslücken mit Hilfe von Large Language Models
Große Sprachmodelle (LLMs) können die Leistung bestehender lernbasierter Methoden zur automatischen Lokalisierung von Sicherheitslücken deutlich übertreffen, wenn sie angemessen feinabgestimmt werden.
Umfassende Studie zu den Fähigkeiten großer Sprachmodelle für die Erkennung von Sicherheitslücken
Große Sprachmodelle (LLMs) zeigen erhebliche Schwierigkeiten bei der Erkennung von Sicherheitslücken, da sie oft Fehler in Bezug auf Codestruktur, Logik und Allgemeinwissen machen.
Eine Studie zur Reparatur von Sicherheitslücken in JavaScript-Programmen mit Hilfe von Large Language Models
Große Sprachmodelle (LLMs) zeigen vielversprechendes Potenzial für die automatische Reparatur von Sicherheitslücken in JavaScript-Programmen, wobei der Kontext in den Eingabeaufforderungen einen erheblichen Einfluss auf die Leistung der LLMs hat.
Automatische Erkennung schädlicher NPM-Pakete durch Verhaltenssequenz-Wissensabbildung
DONAPI, ein automatischer Detektor für schädliche NPM-Pakete, kombiniert statische und dynamische Analyse, um Pakete anhand von Verhaltenssequenzen zu klassifizieren und zu identifizieren.
© 2024 by Linnk AI