ASE2021 vulnerability fix dataset
Notice bibliographique
Résumé
The dataset of "Finding A Needle in a Haystack: Automated Mining of Silent Vulnerability Fixes", which was accepted in the 36th IEEE/ACM Automated Software Engineering (ASE) Conference. Followings are the descriptions of columns: commit_id: The commit ID/hash. repo: The Github Author and repository (e.g., "apache/hive"). filename: The name of the file changed in the commit. partition: Which dataset the commit information belongs to (i.e., "train", "val", or "test"). PL: Programming Language (PL) (i.e., "java" or "py"). label: Label of the commit, 0 for non-vulnerability fixing commit and 1 for vulnerability fixing commit. diff: The entire code change information of the file in this commit. committer_date: The date of the commit (e.g., 2015-03-02 13:48:25+13:00) msg: The commit message (NA if empty). MOD_DIFF: The code change of the file in this commit after preprocessing: filtering out lines that are not added lines or removed lines, and removing refactoring information and comments. BPE_MOD_DIFF: BPE processing applied to MOD_DIFF information (using codeprep Python package). ADD_DIFF: The added lines from the MOD_DIFF information (indicated as a line starting with '+' character). REM_DIFF: The removed lines from the MOD_DIFF information (indicated as a line starting with '-' character). LOC_ADD: Total lines of code added in this file change. LOC_REM: Total lines of code removed in this file change. LOC_MOD: Total lines of code modified in this file change (LOC_ADD + LOC_REM). commit_repo: The commit ID and repository concatenated. cve_list: A list of CVEs which the commit fixes (e.g., CVE-2015-5348, CVE-2016-8902). Following is the code snippet to reproduce Table 1. import pandas as pd all_commits = pd.read_csv('./ase_dataset_sept_19_2021.csv') #Separate by language, since the Java commits are missing some info which we will add later on. py = all_commits[all_commits.PL == 'python'] java = all_commits[all_commits.PL == 'java'] #Java first: partition into train/val/test and check # of commits print("Java VF vs NVF for train/val/test") java_train = java[java.partition =="train"] java_val = java[java.partition == "val"] java_test = java[java.partition == "test"] print(java_train.drop_duplicates(subset='commit_id').label.value_counts()) print(java_val.drop_duplicates(subset='commit_id').label.value_counts()) print(java_test.drop_duplicates(subset='commit_id').label.value_counts()) #Python: partition into train/val/test and check # of commits print("Py VF vs NVF for train/val/test") py_train = py[py.partition =="train"] py_val = py[py.partition == "val"] py_test = py[py.partition == "test"] print(py_train.drop_duplicates(subset='commit_id').label.value_counts()) print(py_val.drop_duplicates(subset='commit_id').label.value_counts()) print(py_test.drop_duplicates(subset='commit_id').label.value_counts())
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,022 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».