IronmanJay

此博客为kAFL Hardware-Assisted Feedback Fuzzing for OS Kernels论文的中文翻译，本篇论文详细讨论了如何利用QEMU和KVM结合硬件对操作系统内核进行模拟反馈的Fuzz。这篇论文我个人觉得非常难，我读了两遍仍不是很懂，看来需要花费更多的时间和精力来阅读本篇论文，这么喜欢本篇论文的原因就是写的真的很好，从另一种角度提供了对操作系统内核Fuzz的方法。目前已经将kAFL（本篇论文介绍的工具）部署到本地了，运行良好，不过kAFL的源代码还没有深入阅读，后面的时间要

此博客为How Double-Fetch Situations turn into Double-Fetch Vulnerabilities A Study of Double Fetches in the Linux Kernel论文的中文翻译，本篇论文详细讨论了Linux系统内核中的Double-Fetch漏洞，并提出了一种Double-Fetch漏洞检测方法，基于此方法设计出了三种工具，经过实验发现这三种工具的检测效果都很不错，这也证明了本实验所提出的方法的有效性。

此博客为VulCNN An Image-inspired Scalable Vulnerability Detection System论文的中文翻译，本篇论文将漏洞检测与图分类联系到一起，并结合神经网络进行漏洞检测，思路比较新奇，效果看来也还不错，是一篇值得一读的论文！由于深度学习（DL）可以自动从源代码中学习特征，因此它已被广泛用于检测源代码漏洞。为了实现可扩展的漏洞扫描，一些先前的研究打算将源代码直接处理为文本。为了实现准确的漏洞检测，其他方法考虑将程序语义提取为图表示，并使用它们来检测漏洞。

此博客为SketchyCOCO Image Generation from Freehand Scene Sketches论文的中文翻译，本篇论文主要研究的是如何从手绘草图生成我们日常生活中的完整图像，这也是最近比较火的一个领域，通过阅读本篇论文翻译博客，相信大家一定会对此方向有一个更深入的了解，下面就是本文的全部内容！

此博客为Vulnerability Dataset Construction Methods Applied To Vulnerability Detection A Survey论文的中文翻译，本篇作为一篇综述性文章，主要讲述了目前漏洞检测数据集的一些发展和一些看法。文章整体读起来不难，值得一看。下面就是本篇翻译的全部内容。

此博客为Systematic Analysis of Deep Learning Model for Vulnerable Code Detection论文的中文翻译，本篇论文内容不多，是一篇综述性论文，总结了当下关于深度学习应用于漏洞检测的一些框架和所使用的数据集等，总之是一篇还可以的论文。下面就是本篇论文的全部翻译。

此博客为SySeVR A Framework for Using Deep Learning to Detect Software Vulnerabilities论文的中文翻译，本篇论文的翻译真的耗费了我的好大心血，其中有些专业名词的翻译一直感觉翻译不到点上，所以干脆就用的原文，而且整篇文章真的很长，也不好理解，断断续续翻译了一个多星期，但是整篇文章的质量是相当不错的。下面就是整篇文章的翻译内容！

此博客为A deep tree-based model for software defect prediction论文的中文翻译，其中有些专业名词的翻译还是不够准确，感觉怎么翻译都翻译不出作者本意来，所以干脆就没翻译某些专业名词，但是不影响文章的阅读，本论文也是非常有水平的一篇论文，提出了非常新颖的漏洞检测的方法，非常值得一读！

每年都会发现越来越多的软件漏洞，无论是公开报告还是在内部专有代码中发现。这些漏洞可能造成严重的开发风险，并导致系统危害、信息泄漏或拒绝服务。我们利用丰富的C和C++开源代码，利用机器学习开发了一个大型功能级漏洞检测系统。为了补充现有的标记漏洞数据集，我们编译了一个包含数百万开源函数的庞大数据集，并用三个不同静态分析器精心挑选的结果标记它，这些结果表明存在潜在漏洞。标记的数据集位于：https://osf.io/d45bw/。使用这些数据集，我们开发了一个基于深度特征表示学习的快速可扩展漏洞检测工具，该工具可

VulDeePecker：基于深度学习的漏洞检测系统软件漏洞的自动检测是一个重要的研究课题。然而，该问题的现有解决方案依赖于人类专家来定义特征，并且往往遗漏了许多漏洞（即导致高假阴性率）。在本文中，我们发起了使用基于深度学习的漏洞检测的研究，将人类专家从手动定义特征的繁琐和主观任务中解脱出来。由于深度学习的动机是处理与漏洞检测问题截然不同的问题，因此我们需要一些指导原则来将深度学习应用于漏洞检测。特别是，我们需要找到适合深度学习的软件程序的表示。为此，我们建议使用代码小工具表示程序，然后将其转换为向量，其