ICVul：一个标注完善的C/C++漏洞数据集，包含完整的元数据和VCC
软件工程
2025-05-14 v1
摘要
基于机器学习的软件漏洞检测需要高质量的数据集，这对于训练有效的模型至关重要。为解决与数据标签质量、多样性和全面性相关的挑战，我们构建了ICVul，一个强调数据质量并包含完整元数据（包括漏洞贡献提交（VCC））的数据集。我们首先从NVD中筛选出常见漏洞与暴露（CVE），仅保留与GitHub修复提交关联的漏洞。然后我们从这些提交中提取函数和文件以及相关元数据，并使用SZZ算法追踪VCC。为进一步提高标签的可靠性，我们开发了消除可疑提交（ESC）技术，确保数据标签可信。该数据集以类关系数据库的形式存储，以提高可用性和数据完整性。ICVul及其构建框架均公开可访问于GitHub，支持相关领域的研究。
引用
@article{arxiv.2505.08503,
title = {ICVul: A Well-labeled C/C++ Vulnerability Dataset with Comprehensive Metadata and VCCs},
author = {Chaomeng Lu and Tianyu Li and Toon Dehaene and Bert Lagaisse},
journal= {arXiv preprint arXiv:2505.08503},
year = {2025}
}
备注
5 pages, to appear in the Proceedings of the 22nd IEEE/ACM International Conference on Mining Software Repositories (MSR'25)