کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

مرور نظام‌مند مدل‌های زبان بزرگ و یادگیری عمیق در تشخیص و ترمیم آسیب‌پذیری‌های نرم‌افزار: بررسی قابلیت اطمینان، استدلال پیشرفته و چالش‌های کیفیت داده

نویسندگان :

محمد فصیحی¹ مرتضی یوسف صنعتی² رافع ترابی³

1- دانشگاه بوعلی سینا 2- دانشگاه بوعلی سینا 3- دانشگاه بوعلی سینا

کلمات کلیدی :

یادگیری عمیق،مدل‌های زبان بزرگ،تشخیص آسیب‌پذیری نرم‌افزا،ترمیم خودکار آسیب‌پذیری‌ها،کیفیت داده،استدلال معنایی و ساختاری

چکیده :

این مقاله مروری به صورت نظام‌مند، اثربخشی، چالش‌ها و قابلیت اطمینان مدل‌های یادگیری عمیق(DL) و مدل‌های زبانی بزرگ (LLMs)را در تشخیص و ترمیم خودکار آسیب‌پذیری‌های نرم‌افزاری (AVR/VD بررسی می‌کند. روش تحقیق حاضر، یک مرور نظام‌مند (Systematic Review)است که در آن، پژوهش‌های کلیدی اخیر تحلیل و بر اساس سوالات پژوهشی محوری طبقه‌بندی شده‌اند؛ این مرور به طور خاص بر تأثیر چالش‌های حیاتی کیفیت داده، از جمله نمونه‌های تکراری، برچسب‌گذاری نامعتبر و نشت داده، و همچنین کاربردهای نوظهور LLMها در استدلال معنایی و ساختاری تمرکز دارد. مهمترین نتایج نشان می‌دهند که اگرچه مدل‌های مبتنی بر ترنسفورمر، به ویژه با ادغام اطلاعات زمینه‌ای (مانند گزارش‌های مشکل)، عملکرد بهتری نسبت به روش‌های سنتی دارند، اما کیفیت ضعیف داده منجر به بیش‌برآورد شدن شدید عملکرد (Overestimation) و کاهش اعتمادپذیری مدل‌ها می‌شود. علاوه بر این، یافته‌ها حاکی از آن است که LLMها در وظایف استدلالی پیچیده، هنوز بیشتر بر تطبیق الگو متکی هستند تا استدلال منطقی قوی. این پژوهش، معیارهای ارزیابی مورد استفاده در مقالات (مانند F1-Score، Pass@k و درصد پیش‌بینی‌های کامل) را تحلیل کرده و نشان می‌دهد که چگونه معیارهای جامع‌تر برای سنجش اثربخشی واقعی مدل‌ها در سناریوهای واقعی ضروری هستند.