txg666的博客

综述分享 | 漏洞影响版本识别有多远?

txg666 — Mon, 14 Sep 2026 09:13:41 +0800

本文针对漏洞影响版本识别（Vulnerability-AffectedVersionsIdentification）开展首项大规模实证研究，构建包含1,128个CVE、59,187个标注版本的基准数据集，评估12个工具。结果表明：最佳工具准确率仅44.9%，集成后仍低于60%，存在补丁噪声、语义失配与浅层验证三大瓶颈。未来需在补丁预处理、根因定位与存在性验证方向突破，推动安全关键场景下的可靠应用。

ConColl:置信度驱动的顺序多阶段漏洞检测

txg666 — Tue, 08 Sep 2026 13:09:00 +0800

ConColl提出置信度驱动的顺序多阶段漏洞检测框架：先用LLM直接预测，不确定样本经RAG增强，仍不确定则启用多智能体协作投票。该方法在TreeVul_Ext上达SOTA F1=72.3%，超GPT-4o

CGIFuzz：首个面向IoT设备Web CGI程序的灰盒模糊测试框架

txg666 — Fri, 04 Sep 2026 09:22:29 +0800

我们根据内容生成摘要，不超过150字。需要概括主要贡献：CGIFuzz首个面向IoT CGI的灰盒模糊测试框架，解决三大挑战，实验效果好。注意摘要要简洁。CGIFuzz提出首个面向IoT设备CGI程序的灰盒模糊测试框架，通过Relay-Pass动态插桩、LLM辅助输入生成和命令注入检测Oracle，解决了CGI程序难以插桩、输入验证复杂及非崩溃漏洞检测难的问题。在10个设备上覆盖率较现有方法提升184.91%，发现69个漏洞（含9个CVE），显著增强Io

GraphFVD：属性图驱动的细粒度代码漏洞检测

txg666 — Wed, 02 Sep 2026 09:27:58 +0800

《GraphFVD：基于属性图的细粒度漏洞检测方法》摘要本文提出GraphFVD模型，针对现有深度学习方法在代码漏洞检测中存在冗余代码干扰的问题，创新性地采用属性图切片技术实现细粒度检测。该方法通过构建代码属性图(CPG)提取细粒度漏洞候选切片(PrVC)，融合语法、控制流、数据流和代码顺序四种语义；并设计分层注意力图卷积网络(HierGCN)学习图嵌入，结合局部和全局注意力机制捕捉关键漏洞特征。实验表明，GraphFVD在NVD和GITA数据集上的F1值分别达到82.19%和80.83%，优于现有方法。

DPRFuzz：两阶段强化学习实现「精准引导 + 高效探索

txg666 — Mon, 31 Aug 2026 09:29:40 +0800

DPRFuzz 采用两阶段 RL 优化策略：①确定性变异策略优化（DQN + TRPO）——将变异过程建模为马尔可夫决策过程，通过 Q 值函数预测最有效的变异算子（变异策略 × 变异位置），利用经验回放机制加速训练；通过 KL 散度约束新旧策略的相似性，保证策略更新的稳定性，同时提升经验利用率。两者结合，既能高效探索，又能稳定收敛。②Havoc 随机变异优化（改进的 TS 算法）——将 Havoc 阶段的选择建模为多臂老虎机问题，利用 Beta 分布建模各策略的有效概率；

LLMVulExp：LLM 驱动的可解释漏洞检测

txg666 — Thu, 27 Aug 2026 08:36:14 +0800

用 Teacher-Student 范式，将强大的"开卷"教师 LLM（知道答案）生成的解释数据，蒸馏给"闭卷"学生 LLM（自主检测），并通过指令微调（LoRA）实现高效 specialization。LLM 不仅能检测漏洞，还能输出漏洞类型、漏洞位置、原因分析、修复建议——像安全专家一样手把手指导开发者。整体流程包含四个模块：①高质量数据集构建。

综述解读 | 操作系统内核 Fuzzing 全景综述

txg666 — Wed, 26 Aug 2026 08:25:15 +0800

摘要：本文系统综述了2017-2025年间107篇操作系统内核模糊测试（Fuzzing）顶会论文，首次提出三阶段九功能的分类框架，揭示内核Fuzzing与用户态Fuzzing的核心差异。研究指出三大挑战：受限运行环境（如设备模拟不足）、复杂输入接口（如跨设备结构化数据）及高度有状态性（依赖特定调用序列）。框架涵盖环境准备（执行环境、覆盖率收集、Bug检测）、输入模型（接口识别、规格感知、依赖识别）和Fuzzing循环（变异策略、执行优化、反馈机制）三阶段，分析显示执行环境与反馈机制是研究热点。关键发现包括

LLM 驱动漏洞传播验证：TransferFuzz-Pro 如何自动调试“继承“来的安全债

txg666 — Tue, 25 Aug 2026 15:00:49 +0800

TransferFuzz-Pro 的核心思想：利用基础二进制（CVE 报告中的漏洞程序）的已知信息，通过 LLM 自动调试和历史轨迹引导，在目标二进制（复用了漏洞代码的新程序）中高效验证漏洞可触发性。整体流程包含三个模块：①历史轨迹提取——在基础二进制上执行 PoC，提取函数调用序列（FCS）和关键字节轨迹，作为目标二进制的 fuzzing 引导信息；②选项组合生成——LLM 分析目标程序的选项处理代码，模拟人类调试过程，迭代生成到达漏洞函数所需的命令行参数组合；③轨迹引导 Fuzzing。

语义 + 解释双驱动：融合代码语义与 LLM 推理的漏洞检测新范式

txg666 — Mon, 24 Aug 2026 08:20:53 +0800

《融合代码语义与LLM解释的漏洞检测方法研究》摘要：西安邮电大学团队在《Information Fusion》(2025)提出FuSEVul方法，通过融合代码结构语义与LLM生成的自然语言解释，实现高精度、可解释的漏洞检测。该方法创新性地结合代码表示学习与语言模型推理能力，包括语义特征提取、LLM解释生成、多模态对齐和联合训练四个模块。实验表明，在Devign等三个数据集上，FuSEVul平均准确率提升7.3%，F1分数提升52.2%，且在数据稀缺场景下仅需100样本即可超越多数基线模型。

Less Is More：如何用半监督学习提升漏洞检测能力

txg666 — Sun, 23 Aug 2026 07:37:20 +0800

摘要：论文《LessIsMore: Unlocking Semi-Supervised Deep Learning for Vulnerability Detection》提出了一种半监督学习方法（SSVD），以解决漏洞检测中标注数据稀缺、成本高的问题。该方法通过初始模型生成伪标签，结合置信度筛选与一致性学习优化训练数据，显著降低对人工标注的依赖。实验表明，SSVD在F1、召回率等指标上优于现有半监督方法，仅需10%-30%标注数据即可达到或超越全标注模型的性能。研究为工业场景中低资源漏洞检测提供了高效解

可控扩散驱动模糊测试：CtrlFuzz 如何在“流形空间”中精准探索神经网络漏洞

txg666 — Sat, 22 Aug 2026 16:30:55 +0800

CtrlFuzz 的核心思想可以概括为：在“数据流形”上进行可控采样，而不是在原始输入空间中盲目扰动。① 维度归约使用LDA将高维数据投射到低维潜在空间；② 语义分解通过Mask R-CNN分离前景/背景，实现区域级控制；③ 流形覆盖建模定义目标流形区域覆盖（TMRC）指标；④ 引导扩散过程基于U-Net的扩散模型，融合覆盖约束生成测试样本；⑤ 漏洞判定识别异常预测或鲁棒性缺陷。图 1. CtrlFuzz 概述小结：从“像素级扰动”升级为“语义级生成”，显著提升测试有效性。

语法感知模糊测试：FieldsFuzz 如何实现高效结构化输入变异

txg666 — Sat, 22 Aug 2026 16:23:16 +0800

《FieldsFuzz：基于语法感知变异的模糊测试方法》摘要针对传统模糊测试在结构化输入（如JSON/XML）场景中随机变异效率低下的问题，航天工程大学团队提出FieldsFuzz方法，通过语法解析构建输入字段模型，实现字段级精细化变异。其核心创新为：①语法树驱动的结构化变异策略；②字段级操作保持语法有效性；③反馈优化机制。实验显示，在FuzzBench基准测试中，FieldsFuzz的字段识别准确率达96%，边覆盖率提升11.9%-30.3%，漏洞发现数量较AFL等工具提高27%-139%。该研究揭示了

因果学习赋能代码模型：提升鲁棒性的全新范式

txg666 — Wed, 19 Aug 2026 16:28:13 +0800

摘要：论文《A Causal Learning Framework for Enhancing Robustness of Source Code Models》针对深度学习代码模型（如漏洞检测、代码分类）存在的关键问题——对数据分布敏感、依赖伪相关特征、跨场景鲁棒性不足——提出了一种基于因果学习的解决方案。通过因果变量建模、干预机制和反事实学习，框架强制模型区分代码的因果特征与虚假特征，提升泛化能力。实验表明，在分类和生成任务中，该方法显著优于对抗训练等基线，对抗攻击成功率降低30.16%，且在多数据集

综述解读 | LLM 越大越会找漏洞？这篇论文把“规模神话”彻底拆了

txg666 — Sat, 15 Aug 2026 14:59:40 +0800

【论文摘要】中佛罗里达大学团队在NDSS 2025发表的研究《From Large to Mammoth》对LLM的漏洞检测能力提出关键质疑。通过系统评估不同规模LLM（从十亿到万亿参数）在统一漏洞检测基准上的表现，研究发现：1）模型规模与检测能力无稳定正相关；2）主流LLM检测效果接近，均依赖表面特征而非深层语义理解；3）复杂漏洞（如跨函数依赖）检出率显著下降。作者指出当前LLM本质是"模式匹配器"，缺乏程序执行分析能力，建议未来结合符号执行等传统程序分析技术构建更可靠的检测体系。该研

CKGFuzzer：融合代码知识图谱的 LLM 驱动 Fuzz Driver 自动生成

txg666 — Fri, 14 Aug 2026 18:21:05 +0800

《CKGFuzzer：基于代码知识图谱的LLM驱动模糊测试入口生成框架》摘要华中科技大学等团队在ICSE 2025发表的CKGFuzzer提出创新方案，通过融合代码知识图谱与LLM技术解决模糊测试中Driver生成的难题。该方法首先构建目标程序的结构化知识图谱，提取API调用关系与控制流信息；继而利用知识增强的Prompt机制引导LLM生成高质量测试入口，并结合执行反馈持续优化。实验表明，在8个主流开源库测试中，该框架在6个项目上取得最优分支覆盖率，累计检测出199个独特崩溃（含11个真实漏洞），较传统方

SecureFalcon：面向 LLM 的漏洞检测增强框架与能力边界分析

txg666 — Thu, 13 Aug 2026 09:45:39 +0800

SecureFalcon论文提出了一种结合漏洞检测增强机制与严格评测体系的大语言模型安全分析框架，旨在解决当前LLM在漏洞检测中存在的语义理解不足和评测偏差问题。该方法通过三步流程（漏洞检测建模、输入增强与扰动、鲁棒性评估）提升检测能力并验证模型真实性能。实验显示，SecureFalcon在二元和多分类任务中准确率分别达94%和92%，优于传统方法。研究揭示了LLM在漏洞检测中的"能力幻觉"，强调需结合严格评测与程序分析技术。未来方向包括语义增强型LLM和混合分析方法。

VERTFuzz：用 Transformer 重塑复杂文件解析器模糊测试

txg666 — Sun, 09 Aug 2026 16:31:57 +0800

论文《VERTFuzz: Version transformer-driven fuzzing for complex file parsers》提出了一种基于深度学习的结构感知模糊测试框架，用于解决复杂文件格式（如PDF/ELF/XML/TIFF）漏洞挖掘中的三大痛点：格式规范符合率低、深层语义路径难以触及、输入空间稀疏。该框架创新性地采用ByteBERT自动识别文件元数据分布，通过元数据引导变异和Vision Transformer筛选机制，实现从盲目变异到精准攻击的转变。实验表明，VERTFuzz在代

VULOC：基于汇编切片的漏洞定位框架，精准锁定二进制中的危险代码

txg666 — Sat, 08 Aug 2026 17:12:57 +0800

摘要：论文《VULOC: Vulnerability location framework based on assembly code slicing》提出了一种基于汇编代码切片的细粒度漏洞定位框架，解决二进制程序分析中因缺乏源码语义导致的定位难题。VULOC通过程序切片提取关键指令子图，结合数据流与控制流依赖关系建模，将漏洞定位从函数级提升至指令级，显著提高精度（如漏洞行平均数量从5.2降至1.0）。实验在Juliet和NVD-SARD数据集上验证其有效性，现实项目中检测到83个漏洞。该研究推动漏洞检

可解释性驱动定向模糊测试：GDFuzz 如何用 XAI 提升漏洞挖掘效率

txg666 — Wed, 05 Aug 2026 08:41:58 +0800

本文介绍了一种名为GDFuzz的新型定向模糊测试方法，该方法创新性地将可解释人工智能（XAI）技术应用于漏洞挖掘领域。针对传统模糊测试缺乏方向性引导、难以理解关键输入特征等问题，GDFuzz通过构建深度学习预测模型和XAI特征解释机制，实现了细粒度的输入重要性分析，能够精准定位影响路径到达的关键字节级特征。实验结果表明，该方法在有效执行率、漏洞暴露速度等方面显著优于基线工具，平均提升2.3-2.6倍，仅带来16%的CPU额外开销。该研究为模糊测试从"经验驱动"向"可解释智能驱动

综述解读 | 高分=真会找漏洞？这篇论文告诉你：你可能一直在“做错题”

txg666 — Mon, 03 Aug 2026 07:01:01 +0800

👉 不做新模型，而是系统性“审判”现有 ML 漏洞检测 Benchmark。整体流程如下：分析 80+ 顶会论文如何定义任务抽样主流数据集（BigVul / Devign / DiverseVul）人工重新标注漏洞与上下文依赖验证模型是否依赖“伪特征”取得高分不是模型不行，而是“考试题目本身错了”。