euisuh15/gpt89

该数据集主要用于生成包含SQL漏洞的代码，并通过Bandit工具检测漏洞的存在。数据集包含多个字段，如数据ID、函数名称、描述、使用的包、GPT生成的代码、从GPT列提取的代码、Bandit工具对代码的检测结果、标签（表示是否存在CWE89漏洞）、处理后的代码（如果存在漏洞则注入漏洞）、处理后的输入（移除函数名称）、模式（0表示训练，1表示测试1，2表示测试2）、修复后的代码（如果存在漏洞则注入修复后的代码）、修复后的输入（移除函数名称）。这些字段用于生成、检测、注入和修复SQL漏洞。

原始信息汇总

数据集概述

数据字段说明

• id: 数据的唯一标识符。
• func_name: 模型通常生成的包含SQL漏洞的函数。
• description: func_name的描述。
• package: 函数使用的包。
• GPT: 生成代码的GPT响应。
• codes: 从GPT列中提取的代码。
• bandit-out: 对codes列的Bandit结果。
• label: 如果Bandit检测到CWE89存在，则为真。
• processed_codes: 如果label为真，则注入漏洞（black+变量名）。
• processed_input: 从processed_codes中移除func_name。
• mode: 训练模式或测试模式（0表示训练，1表示测试1，2表示测试2）。
• fixed_codes: 如果label为真，则注入修复后的漏洞。
• fixed_input: 从fixed_codes中移除func_name。

搜集汇总

数据集介绍

构建方式

在软件安全领域，识别和修复代码漏洞是保障系统安全的关键环节。GPT89数据集的构建过程体现了这一需求，它通过自动化流程生成并标注含有SQL注入漏洞的代码样本。具体而言，数据集首先利用GPT模型根据函数名称和描述生成代码片段，随后运用Bandit安全工具对生成的代码进行静态分析，检测是否存在CWE-89（SQL注入）漏洞。根据检测结果，数据集为每个样本标注了标签，并进一步处理代码，通过注入漏洞标记或修复版本，形成了包含原始代码、处理后的代码及修复代码的多版本结构。整个构建过程涵盖了训练集与两个测试集的划分，确保了数据在模型训练与评估中的实用性。

特点

GPT89数据集在代码安全分析领域展现出独特的特点，其核心在于专注于SQL注入漏洞的模拟与修复。数据集不仅提供了原始的GPT生成代码，还包含了经过Bandit工具验证的漏洞标签，以及处理后的代码版本，如注入漏洞标记的processed_codes和修复后的fixed_codes。这种多维度结构使得数据集能够支持漏洞检测、代码修复等多种任务。此外，数据集的划分模式（训练集、测试集1和测试集2）增强了其评估的鲁棒性，适用于机器学习模型在安全场景下的训练与测试。整体而言，数据集以实际代码生成为基础，结合自动化工具，提供了高质量、结构化的安全研究资源。

使用方法

使用GPT89数据集时，研究者可基于其结构化字段开展多样化的安全分析任务。例如，通过func_name和description字段，可以训练模型生成安全代码；利用codes和label字段，能够构建漏洞检测模型，识别SQL注入风险；而processed_codes和fixed_codes字段则支持代码修复或漏洞注入研究，帮助模型学习如何从有漏洞代码过渡到安全版本。数据集的mode字段（0、1、2）指导用户进行训练与测试分割，确保实验的严谨性。在实际应用中，建议先预处理数据，如提取关键特征或标准化代码格式，再结合机器学习算法进行模型开发与评估，以提升代码安全性的自动化水平。

背景与挑战

背景概述

在软件安全领域，SQL注入漏洞作为常见的安全威胁，长期困扰着开发实践。euisuh15/gpt89数据集由相关研究人员于近年构建，聚焦于利用生成式预训练模型自动生成代码时可能引入的SQL注入漏洞。该数据集的核心研究问题在于探索人工智能辅助编程中的安全隐患，特别是模型生成代码的安全性与可靠性。通过系统化标注漏洞样本，该数据集为后续研究提供了关键数据支持，推动了代码生成安全评估领域的发展，对提升智能编程工具的安全性具有重要影响力。

当前挑战

该数据集旨在解决代码生成中SQL注入漏洞的自动检测与修复挑战，其核心难点在于如何准确识别模型生成代码中的隐蔽安全缺陷，并区分正常代码与恶意模式。在构建过程中，研究人员面临数据标注的复杂性，需确保漏洞标签的精确性，同时处理生成代码的多样性与上下文依赖性。此外，平衡训练与测试数据的分布，以及模拟真实世界编程场景中的漏洞注入与修复，均为构建过程中的关键挑战。

常用场景

经典使用场景

在软件安全与代码生成领域，euisuh15/gpt89数据集为研究大型语言模型在生成SQL查询代码时的安全漏洞提供了关键资源。该数据集通过整合函数描述、GPT生成的代码以及Bandit工具的安全检测结果，构建了一个包含SQL注入漏洞（CWE-89）标注的样本集合。经典使用场景涉及训练和评估机器学习模型，特别是自然语言处理与代码生成模型，以识别和修复由AI生成的代码中的安全缺陷。研究者利用该数据集进行模型微调，旨在提升模型生成安全代码的能力，从而在自动化编程任务中降低潜在风险。

衍生相关工作

基于euisuh15/gpt89数据集，衍生了一系列经典研究工作，主要集中在改进代码生成模型的安全性和漏洞检测方法上。例如，研究者开发了结合静态分析与机器学习的新型漏洞检测框架，利用该数据集的标注信息训练更精准的分类器。此外，该数据集还启发了对大型语言模型进行对抗性训练的研究，以增强模型抵抗恶意输入诱导漏洞的能力。这些工作推动了安全代码生成领域的进展，为后续更全面的漏洞数据集构建提供了参考范式。

数据集最近研究

最新研究方向

在软件安全与代码生成领域，euisuh15/gpt89数据集聚焦于SQL注入漏洞的自动化检测与修复，成为前沿研究的热点。该数据集通过整合GPT模型生成的代码与Bandit安全工具的分析结果，为基于深度学习的漏洞识别提供了丰富标注资源。当前研究主要探索如何利用该数据集训练智能模型，以提升代码生成过程中的安全性，减少人工审计成本，并推动自动化漏洞修复技术的发展。相关研究正结合大语言模型的微调策略，致力于在代码生成初期即嵌入安全约束，从而在软件开发周期中实现早期风险防控，对提升软件供应链安全具有深远意义。