该论文针对社交编码仓库（如GitHub）中的用户画像与漏洞引入预测问题，提出了一种基于动态图嵌入的新方法。传统漏洞预测多依赖静态代码特征或提交历史，但忽略了开发者行为与项目协作关系的演化。作者将仓库中的开发者、代码提交、文件等实体建模为动态图，利用图嵌入技术捕捉结构化信息和时序变化，从而预测特定代码提交是否可能引入安全漏洞。通过结合项目元数据、开发者交互模式以及随时间演变的图结构，方法能够生成反映当前风险状态的用户画像，并用于训练分类模型。论文在多个真实开源项目数据集上进行了评估，结果表明该方法在漏洞引入预测的准确率与早期检测能力上优于现有基线。主要贡献包括：构建动态社会编码图谱的流程、基于时间窗口的嵌入学习框架，以及针对漏洞注入风险的用户行为特征分析。适合软件安全、漏洞预测和图机器学习方向的研究人员阅读。

该论文提出了一种新的漏洞可利用性评估指标——Expected Exploitability (EE)，旨在解决现有指标在漏洞披露时评估不准确且存在类别偏差的问题。传统的可利用性指标（如CVSS）依赖于静态技术特征，这些特征对漏洞利用开发的预测能力较差，并且由于利用标签不准确导致分类器存在类别偏差。为了克服这些挑战，研究者采用了一种随时间变化的可利用性视角，利用数据驱动的方法从披露后的技术文章、概念验证漏洞代码和社交媒体讨论等人工制品中学习EE。论文分析了现有特征对于预测功能性漏洞的局限性，并设计了新的特征集以充分利用以前未被充分利用的人工制品。同时，研究者揭示了漏洞利用预测中的标签噪声问题，将其归类为最难的类别和特征依赖的标签噪声，并基于领域特定观察开发了将噪声鲁棒性融入EE学习的技术。在103,137个漏洞的数据集上，EE将精确率从现有指标（包括两个最先进的漏洞利用分类器）的49%提高到86%，并且性能随时间不断提升。EE分数还能捕获利用的紧迫性，区分哪些漏洞在近期内会被开发。该工作为安全团队提供了一种更准确的漏洞可利用性评估方法，有助于优先修复高风险漏洞，但具体实践需要进一步验证。