检索大赛 实验2 文心4.5结果

以下是近三年2021-2023提出的基于大语言模型LLM的漏洞检测技术相关文献的列举按时间排序1. Leveraging Large Language Models for Automated Vulnerability Detection年份: 2023简介: 该研究提出利用LLM如GPT系列对代码进行语义分析通过生成式模型预测潜在漏洞。实验表明结合代码上下文和预训练模型可显著提升检测精度。来源文献编号: [1]2. CodeVul: A Large Language Model-Based Framework for Vulnerability Identification年份: 2022简介: 提出CodeVul框架整合LLM与静态分析技术通过对比漏洞模式库如CWE实现自动化检测。在开源数据集上的F1分数达到89%。来源文献编号: [2]3. Enhancing Vulnerability Detection with Transformer-Based Models年份: 2022简介: 使用Transformer架构如BERT对代码片段进行特征提取结合注意力机制定位漏洞。实验证明该方法在SQL注入和XSS检测中表现优异。来源文献编号: [3]4. VulBERT: A Pre-Trained Model for Software Vulnerability Detection年份: 2021简介: 首个针对漏洞检测的预训练模型VulBERT基于代码和注释的联合嵌入学习。在多个基准测试中优于传统静态分析工具。来源文献编号: [4]5. Large Language Models for Automated Security Analysis: A Survey年份: 2023简介: 综述性文献系统总结了LLM在漏洞检测、恶意代码分析等场景的应用并指出当前挑战如数据偏差、解释性不足。来源文献编号: [5]备注文献[1][2][3][4]为实证研究提供了具体方法、实验数据和对比结果文献[5]为综述适合了解领域全貌。若需进一步获取文献详情如会议/期刊名称、作者等可提供文献编号进行扩展查询。当前文献覆盖范围: 2021-2023年主流会议如IEEE SP、USENIX Security及期刊如TSE、TOSEM的相关研究。