Solidity Meets LLMs: A Transformer-Based Approach to Smart Contract Vulnerability Detection
该论文关注区块链与以太坊生态中智能合约的安全问题。随着智能合约在去中心化应用中的采用度不断提高，合约逻辑日益复杂、所承载的资金价值持续上升，使其成为网络攻击的重点目标。作者指出现有检测手段（隐性指向传统静态分析与规则/符号执行类工具）在理解
#code-analysis
共收录 6 条相关情报。
← 返回所有主题The Security Feature Location Problem
该论文提出并定义了“安全特性定位”（Security Feature Location）问题，旨在解决软件安全工程中的一项基础性难题：给定一个软件系统，它实际实现了哪些安全特性（如身份认证、加密、访问控制等），以及这些特性具体对应到代码中的
AutoTrace: From Patches to Triggers via Agentic Interprocedural Exploration
本文提出 AutoTrace，一个基于智能体（agentic）的流水线，用于从漏洞修复补丁中定位触发器（trigger），即导致脆弱程序状态转变为具体不安全操作的语句。该问题比二元漏洞检测更难，因为答案需要跨过程（interprocedur
LLM-Enhanced Hierarchical Heterogeneous Graph Representation Learning for Malicious Python Package Detection
恶意Python包已成为开源软件供应链生态系统（如PyPI）的主要安全威胁。现有基于学习的检测方法难以捕获不同程序实体之间的层次组织结构和异构交互。大型语言模型（LLM）在代码理解和语义推理方面表现出强大能力，但很少与结构化程序表示相结合用
Using LLMs to Identify Personal Data Processing in Source Code.
该研究提出了一种基于大型语言模型（LLM）的方法，用于自动识别源代码中个人数据的处理行为，以辅助隐私影响评估。当前软件产品的隐私合规审查高度依赖人工专家，耗时且易出错，尤其面对大规模、频繁变更的应用时挑战巨大。作者首先构建了一个标注数据集，
Finding Bugs Using Your Own Code: Detecting Functionally-similar yet Inconsistent Code.
本文提出了一种利用代码自身检测功能相似但不一致代码的新方法。研究背景是软件开发中常出现功能相似但实现不一致的代码片段，可能导致难以发现的bug。核心问题是如何自动识别这类语义等价但语法有差异的代码对。方法上，作者设计了一个基于程序分析和机器