机构名称：
¥ 1.0
软件漏洞是软件系统中普遍存在的问题，构成了各种风险，例如敏感的Informentation [1]和系统故障[2]。为了应对这一挑战，搜索者提出了拟议的机器学习（ML）和深度学习（DL）方法，以识别源代码中的漏洞[3-6]。虽然以前基于ML/DL的脆弱性检测方法已显示出令人鼓舞的结果，但它们主要依赖于中等大小的预训练模型，例如Codebert [4，7]或训练较小的神经网络（例如图形神经网络[5]）。大型预训练语言模型（LLM）的最新发展表现出了令人印象深刻的跨多种任务学习的少量学习[8-12]。但是，LLM在面向安全的任务（尤其是脆弱性检测）上的性能在很大程度上没有探索。此外，LLM逐渐开始用于软件工程（SE），如自动化程序维修中所示[8]。但是，这些研究主要集中于使用LLM进行基于生成的任务。尚不清楚LLM是否可以在分类任务中有效地使用，并且在脆弱性检测任务中指定了中等大小的预训练模型，例如Codebert等中型预训练的模型。在研究差距中填写，本文研究了LLMS在识别脆弱的代码时，即安全域内的关键分类任务。此外，LLMS的效果很大程度上依赖于该模型提供的提示质量（任务描述和其他相关信息）。因此，
AI审核：通往AI问责制的公共汽车
主要关键词
相关文件推荐
