nus-yam/vulrepair

BigFixes是BigVul和CVE-Fixes的干净合并版本。数据集包含四个分割：train（去重的训练数据）、cleantest（与训练集完全不相交的去重测试数据）、test（与训练数据有显著交集的去重训练数据）和output（VulRepair在test分割数据上的输出）。预处理步骤在preprocessing.ipynb中提供。

BigFixes is a clean merged version of BigVul and CVE-Fixes. The dataset contains four splits: train (deduplicated training data), cleantest (deduplicated test data completely disjoint from the training set), test (deduplicated training data that has a significant overlap with the training data), and output (the outputs of VulRepair on the test split). The preprocessing steps are provided in preprocessing.ipynb.

原始信息汇总

BigFixes 数据集概述

数据集描述

BigFixes 是一个 BigVul 和 CVE-Fixes 的清洁联合数据集。

配置信息

• 默认配置 (default)
  • 数据文件
    • train: 去重后的训练数据，路径为 train.csv。
    • cleantest: 去重后的测试数据，与训练集完全不相交，路径为 clean_test.csv。
    • test: 去重后的训练数据，与训练数据有显著交集，路径为 test.csv。
    • output: VulRepair 在 test 数据上的输出结果，路径为 output.csv。

预处理

预处理代码可在 preprocessing.ipynb 中找到。

搜集汇总

数据集介绍

构建方式

在软件安全领域，漏洞修复数据集对于提升自动化代码修复能力至关重要。VulRepair数据集通过整合BigVul与CVE-Fixes两大权威漏洞数据库，构建了一个经过清洗与去重处理的统一数据集。其构建过程采用系统化预处理流程，确保数据质量与一致性，具体步骤记录于预处理文档中。该数据集划分为训练集、清洁测试集、测试集及模型输出集，其中清洁测试集与训练集完全独立，避免了数据泄露问题，而测试集则保留了与训练集的部分重叠以反映实际研究场景。

特点

该数据集的核心特点在于其高度清洁与结构化设计。通过严格去重处理，消除了原始数据中的冗余条目，提升了数据集的纯净度。数据划分科学合理，清洁测试集与训练集的完全分离确保了模型评估的客观性，而保留重叠的测试集则为研究提供了更贴近真实应用的对比基准。此外，数据集额外提供了VulRepair模型在测试集上的输出结果，为后续研究提供了直接的参考与比较基础，增强了数据集的实用价值与研究深度。

使用方法

使用该数据集时，研究人员可依据不同需求灵活选择数据划分。训练集适用于模型训练与参数优化，清洁测试集可用于评估模型的泛化能力与鲁棒性。测试集则允许在接近实际应用的条件下验证模型性能。模型输出集可作为基准结果，用于对比分析新方法的有效性。数据集以CSV格式提供，便于直接加载与处理，预处理代码的开放也支持用户根据特定研究目标进行自定义调整，从而推动软件漏洞自动修复领域的创新探索。

背景与挑战

背景概述

在软件安全领域，漏洞修复是保障系统稳健性的核心环节。nus-yam/vulrepair数据集由新加坡国立大学的研究团队于近年构建，其整合了BigVul与CVE-Fixes两大开源漏洞数据库，旨在为自动化漏洞修复技术提供高质量的训练与评估基准。该数据集聚焦于代码级别的漏洞定位与补丁生成，推动了智能软件工程与安全分析方向的交叉研究，为学术界和工业界提供了关键的数据支撑。

当前挑战

该数据集致力于应对自动化漏洞修复中的双重挑战：其一，在领域问题层面，如何准确识别代码中的安全缺陷并生成语义正确、结构合规的修复补丁，涉及自然语言与编程语言的复杂映射；其二，在构建过程中，需处理原始数据的噪声与冗余，实现训练集与测试集的严格去重与分离，同时确保数据覆盖的多样性与代表性，以提升模型的泛化能力与可靠性。

常用场景

经典使用场景

在软件安全与漏洞修复领域，nus-yam/vulrepair数据集作为BigVul与CVE-Fixes的清洁联合版本，为自动化漏洞修复研究提供了关键支撑。该数据集通过去重和划分训练、测试子集，经典地应用于训练和评估基于深度学习的代码生成模型，旨在自动生成修复漏洞的补丁代码。研究者利用其结构化的漏洞-修复对数据，探索模型在理解漏洞上下文并输出正确修复方案方面的能力，推动了智能代码修复技术的发展。

实际应用

在实际应用层面，nus-yam/vulrepair数据集为开发安全工具和集成开发环境插件提供了数据基础。基于该数据集训练的模型可被部署于持续集成/持续部署流水线中，自动扫描代码库并建议漏洞修复，辅助开发人员快速响应安全威胁。此外，它还能用于构建代码审计系统，增强企业级软件的质量保障能力，切实降低因漏洞导致的安全风险与维护成本。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作。例如，VulRepair项目直接利用该数据集评估其修复生成模型的性能，推动了基于预训练模型的代码修复方法发展。同时，该数据集作为基准被广泛引用于后续研究，如结合图神经网络或强化学习改进修复精度的工作，进一步丰富了自动化软件修复领域的学术成果与技术生态。