新芽专题介绍：智能软件漏洞挖掘

Last updated on Oct 2, 2025

此专题由非南开大学老师发布，选修南开大学 2025 秋《人工智能实践课-初级》课程的同学请勿选择此专题。非本课程选修同学可自由选择。

一、专题介绍

1.1 研究背景

在数字化浪潮席卷全球的当下，软件已然成为现代社会运转的基石。从日常使用的移动应用、办公软件，到关乎国家安全的关键信息基础设施，软件无处不在。然而，随着软件规模的持续膨胀以及功能的日益复杂，其内部潜藏的安全隐患也呈爆发式增长。据安全数据库网站 CVE Details 报告显示，2016 - 2019 年间，披露的安全漏洞数量从 6447 个攀升至 16556 个，而 2019 年前 10 个月便已达 12174 个，其中 8.7% 的漏洞 CVSS 得分超 9.0。这些漏洞一旦被不法分子利用，将对个人隐私、企业经济利益乃至国家安全构成严重威胁。​ 传统的软件漏洞挖掘手段，如静态分析与动态分析方法，在面对如今海量、复杂的软件代码时，逐渐暴露出高误报率、高漏报率等弊端，难以满足保障软件安全的需求。在此背景下，智能软件漏洞挖掘技术应运而生。它借助人工智能、机器学习、深度学习等前沿技术，能够更高效、精准地在软件代码中探寻潜藏的安全漏洞，为软件安全保驾护航，已成为当前网络安全领域炙手可热的研究方向。

1.2 研究意义

智能软件漏洞挖掘技术的研究具有多方面的意义：

  1. 保障信息安全，维护社会稳定：在金融领域，智能软件漏洞挖掘技术可提前检测银行核心系统、支付软件的漏洞，防止黑客窃取资金、篡改交易记录，避免引发金融秩序混乱。在医疗行业，能够确保医疗设备控制软件、电子病历管理系统的安全，防止患者隐私泄露，保障患者生命安全。

  2. 助力企业发展，提升竞争力：企业若能借助该技术及时发现并修复软件产品中的漏洞，不仅可减少因安全事件导致的经济损失，如赔偿用户损失、支付罚款、品牌形象受损等，还能提升产品质量与用户信任度，增强市场竞争力。

  3. 推动技术创新，促进产业升级：智能软件漏洞挖掘技术的研究，促使机器学习算法优化、数据表征形式创新、模型学习效率提升等关键技术的发展，进而带动整个网络安全产业的升级，为相关领域培养专业人才，促进学科交叉融合。

  4. 学术价值与科研启蒙：作为计算机科学、网络安全、人工智能等多学科交叉的典型研究案例，为本科生开启科研大门提供绝佳契机，帮助其理解前沿技术在实际问题中的应用，培养科研思维与实践能力。

因此，漏洞挖掘作为网络安全与深度学习的前沿交叉领域中的核心任务，非常适合作为本科生进入相关科研领域的启蒙训练。

1.3 当前主要挑战

尽管方向重要，但实现智能应用软件的漏洞挖掘工作仍然面临多重挑战：

  1. 挑战一：软件复杂性高，漏洞模式难捕捉

    • 现代软件系统规模庞大，代码行数动辄数百万甚至数千万，不同模块间交互错综复杂。

    • 漏洞表现形式多样，新的漏洞类型不断涌现，传统基于规则的检测方法难以全面覆盖。

例如，复杂的面向对象编程结构、动态链接库调用，使得漏洞隐藏在多层次的代码逻辑中，难以被精准识别。

  1. 挑战二：数据获取与标注困难

    • 获取大规模、多样化且涵盖各类漏洞场景的代码数据集困难。

    • 人工标注代码中的漏洞标签，需耗费大量专业人力与时间成本，且标注准确性易受主观因素影响。

    • 开源数据集中可能本身就包含漏洞，以此训练模型，会影响模型对漏洞的识别能力。

  2. 挑战三：模型泛化能力不足

    • 目前基于深度学习的漏洞检测模型，面对不同来源、不同类型的软件代码，泛化能力欠佳。

    • 不同企业、不同项目的代码风格、编程习惯、业务逻辑差异较大，导致模型在新环境下检测准确率大幅下降，难以满足实际软件安全检测需求。

  3. 挑战四：对抗攻击与误报漏报问题

    • 智能漏洞挖掘模型的检测结果可能会受恶意构造的对抗样本影响，使其漏检真实漏洞或产生大量误报。

    • 现有模型自身也难以精准区分真实漏洞与代码中的正常异常情况，高误报率会消耗安全人员大量精力排查，而高漏报率则使软件安全留下隐患。

综上，智能软件漏洞挖掘技术的研究与应用，不仅需要解决上述挑战，还需不断探索创新，以实现软件安全检测的智能化、高效化。

二、学习资料与参考文献

为了引导新芽学子逐步进入研究，本专题结构分为以下三个部分：

2.1 基础教材与学习材料

在开始探险之前，你需要掌握一些基础的“内功心法”，这些是后续一切学习的基石。以下是你可以使用的一些书籍/教程：

此外，你也可以使用一些入门工具：

Tips：务必摆脱所有基础都打好后，再进行下一阶段学习的心态，在干中学，遇到不明白的再回溯补基础。

2.2 入门文献

学生第一阶段的阅读训练，可帮助理解软件源码漏洞挖掘这一通用方向。仅用于入门，不可选择此部分文献汇报。

  • Vuldeepecker: Vuldeepecker: A deep learning-based system for vulnerability detection (NDSS, 2018) (https://github.com/CGCL-codes/VulDeePecker)([johnb110/VDPython: VulDeePecker 算法用 Python 实现 — johnb110/VDPython: VulDeePecker algorithm implemented in Python](https://github.com/johnb110/VDPython))

  • CVD: Combining Graph-Based Learning With Automated Data Collection for Code Vulnerability Detection (TIFS 2020)(HuantWang/FUNDED_NISL: FUNDED is a novel learning framework for building vulnerability detection models.)

  • DLDSV: A Framework for Using Deep Learning to Detect Software Vulnerabilities (TDSC 2022)

  • SVCE: Mining Threat Intelligence about Open-Source Projects and Libraries from Code Repository Issues and Bug Reports (arXiv, 2018)

  • SeRules: Software Security Testing Model Based on Data Mining (IHMSC 2022)

  • ITS: Mining Learner-friendly Security Patterns from Huge Published Histories of Software Applications for an Intelligent Tutoring System in Secure Coding (IEEE 2021)

  • CVSS: Security Data Mining in an Ontology for Vulnerability Management (IEEE 2009)

  • RPC: Vulnerability mining for network protocols based on fuzzing (ICSAI 2014)

  • CNN-LSTM: Vulnerability detection with deep learning (ICCC 2017)

  • Botnet: Botnet Vulnerability Intelligence Clustering Classification Mining and Countermeasure Algorithm Based on Machine Learning (IEEE 2019)

  • Improved Fuzz-SOA: Research on Open Source Software Vulnerability Mining Based on Improved Fuzz-SOA (AIoTC 2024)

2.3 进阶文献（近三年较前沿的软件漏洞挖掘技术）

学生可在此部分选择进阶文献进行专题汇报，或自行查找最新的同类重要文献。

  • SySeVR: SySeVR: A Framework for Using Deep Learning to Detect Software Vulnerabilities (IEEE 2022)(SySeVR/SySeVR)

  • SCVDM: A Source Code Vulnerability Detection Method Based on Positive-Unlabeled Learning (RICAI 2024)

  • VulChecker: A Deep Learning Approach for Vulnerability Detection in Software (USENIX Security, 2022) (https://github.com/ymirsky/VulChecker)

  • SHAP: Leveraging Explainable AI for Pointer Usage-based Software Vulnerability Analysis (RAIT, 2025)

  • DeepVulGuard: Closing the Gap: A User Study on the Real-world Usefulness of AI-powered Vulnerability Detection & Repair in the IDE (ICSE, 2025)

  • BiLSTMs: Enhancing Smart Contract Security with Explainable AI: A Framework for Re-entrancy Vulnerability Detection and Explanation (SIEDS, 2025)

  • VulZoo: A Comprehensive Vulnerability Intelligence Dataset (ASE, 2024)(https://github.com/NUS-Curiosity/VulZoo)

  • ACFIX: Guiding LLMs with Mined Common RBAC Practices for Context-Aware Repair of Access Control Vulnerabilities in Smart Contracts (arXiv, 2025)(https://github.com/zly123987/Repair-Access-Control-C)

  • GAIL-PT: A Generic Intelligent Penetration Testing Framework with Generative Adversarial Imitation Learning (arXiv, 2022)(https://github.com/Shulong98/GAIL-PT)

  • Forensics_LLMs: CyberSleuth: Autonomous Blue-Team LLM Agent for Web Attack Forensics(arXiv, 2025)(https://github.com/AnonUsenix/LLM_Agent_Cybersecurity_Forensic)

  • RL: Probing and Enhancing the Robustness of GNN-based QEC Decoders with Reinforcement Learning(arXiv, 2025)

  • LIFT: LIFT: Automating Symbolic Execution Optimization with Large Language Models for AI Networks(ACM, 2025)

  • QLPro: QLPro: Automated Code Vulnerability Discovery via LLM and Static Code Analysis Integration(arXiv, 2025)

三、结语与期望

“新芽计划”的初衷是点燃新芽学子对未知探索的热情，并为大家提供一片成长的沃土。软件漏洞挖掘是一个充满挑战与机遇的领域，它既是国家需求的“硬骨头”，也是学术创新的“试金石”。希望通过这个专题，新芽学子不仅能学到前沿的 AI 知识，更能培养出独立思考、动手实践和解决复杂问题的能力。

我们热切期待，在最终的汇报中，能看到大家闪耀着智慧火花的解读与创见！

Yimian Dai
Yimian Dai
Associate Professor

南开大学计算机学院副教授，专注于红外弱小目标检测、多模态视觉感知方向的研究。