C/C++漏洞检测数据集汇总

1. SARD+NVD
简介：Li 等人[4] 从国家漏洞数据库 （NVD） 和软件保障参考数据集 （SARD）中收集了 15150 个程序，包括 2821 个真实世界程序和 12329 个人工合成程序。从 NVD 中收集到的程序附有差异（diff）文件，以程序在修补相关漏洞前后的差异代码的位置作为漏洞行号标签；从 SARD 收集到的程序附有标签，标明这些程序是否存在漏洞。该数据集过滤了代码长度少于 500 行的程序，因为这些程序过于简单，对于真实漏洞检测任务不太适用。

数据集链接：VulDeeLocator/data/programs at master · VulDeeLocator/VulDeeLocator · GitHub
标注：函数级和行号级
类别：人工合成，真实项目数据集
数据格式：.C / .CPP 源文件
项目地址：GitHub - VulDeeLocator/VulDeeLocator

2.Devign (FFmpeg+Qemu)
简介：Zhou 等人[1] 从 4 个大型 C 语言开源项目（包括 Linux Kernel、Qemu、Wireshark 和 FFmpeg）中收集并人工标注函数，构成了该数据集，它包含 12460 个存在漏洞的函数和 14858 个不存在漏洞的函数，属于一个较为平衡的数据集。

数据集链接：function.json - Google 云端硬盘
标注级别：函数级
类别：真实项目数据集
数据文件：function.json
项目地址：原作者没有开源项目，这里列出第三方复现代码：GitHub - epicosy/devign: Effective Vulnerability Identification by Learning Comprehensive Program Semantics via Graph Neural Networks

3.Reveal (Chrome + Debian)
简介：Saikat 等人[2] 从 Chromium 和 Debian 项目的开发者/用户报告的漏洞中整理出一个真实世界数据集，它包含 2240 个存在漏洞的函数和 20494 个不存在漏洞的函数，更接近于漏洞代码在真实世界中的分布情况。

数据集链接：Chromium_And_Debian_Vulnerability_Data - Google 云端硬盘
标注级别：函数级
类别：真实项目数据集
数据文件：vulnerables.json（漏洞样本）和 non-vulnerables.json（非漏洞样本）
项目地址：GitHub - VulDetProject/ReVeal

4 BigVul
简介：Fan 等人[3] 从 348 个开源 Github 项目中收集，包括从 2002 年到 2019 年的 91 个不同的 CWE，188636 个 C/C++ 函数。其中漏洞函数比例为 5.7%（即 10,900 个漏洞函数），以及 5,060,449 个 LOC，漏洞行比例为 0.88%（即 44,603 条漏洞行）。在这 10,900 个易受攻击的功能中，易受攻击线路的比率从 2.5%（第一四分位数）到 20%（第三四分位数）不等，中位数为 7%。

数据集链接：MSR_20_Code_vulnerability_CSV_Dataset/all_c_cpp_release2.0.csv at master · ZeoVan/MSR_20_Code_vulnerability_CSV_Dataset · GitHub
标注级别：行号级
类别：真实项目数据集
数据格式：all_c_cpp_release2.0.csv
项目地址：GitHub - ZeoVan/MSR_20_Code_vulnerability_CSV_Dataset: A C/C++ Code Vulnerability Dataset with Code Changes and CVE Summaries
5 Real-Vul
该数据集基于 Big-Vul 构建，选取了漏洞数量最多的前10个项目，且运用了一些数据增强技术，确保了数据集的多样性和代表性，同时解决了标签不一致问题，更贴近实际使用场景。该数据集共包含 5528 个漏洞函数和 1682713 个不确定函数。

        1. 数据集链接：realvul/RealVul · Datasets at Hugging Face

        2. 标注：行号级

        3. 类别：真实项目数据集

        4. 数据格式: .csv

        5. 项目地址：Revisiting the Performance of Deep Learning-Based Vulnerability Detection on Realistic Datasets (zenodo.org)

6 DIVERSEVUL

提出了一种新的漏洞源代码数据集——DIVERSEVUL，并通过爬取安全问题网站、提取修复漏洞的提交和源代码等方法进行构建。该数据集包含18,945个脆弱函数，覆盖了150个CWE（软件漏洞分类）和330,492个非脆弱函数，来自7,514个提交。与之前的数据集相比，该数据集涵盖了更多的项目。

        1. 数据集链接：https://drive.google.com/file/d/12IWKhmLhq7qn5B_iXgn5YerOQtkH-6RG/view?usp=sharing

        2. 标注：行号级

        3. 类别：真实项目数据集

        4. 数据格式: .json

        5. 项目地址：​​​​​​https://surrealyz.github.io/files/pubs/raid23-diversevul.pdf

7 参考文献

[1] Zheng Y, Pujar S, Lewis B, et al. D2a: A dataset built for ai-based vulnerability detection methods using differential analysis[C]//2021 IEEE/ACM 43rd International Conference on Software Engineering: Software Engineering in Practice (ICSE-SEIP). IEEE, 2021: 111-120.

[2] Zhou Y, Liu S, Siow J, et al. Devign: Effective vulnerability identification by learning comprehensive program semantics via graph neural networks[J]. Advances in neural information processing systems, 2019, 32.

[3] Chakraborty S, Krishna R, Ding Y, et al. Deep learning based vulnerability detection: Are we there yet?[J]. IEEE Transactions on Software Engineering, 2021, 48(9): 3280-3296.

[4] Fan J, Li Y, Wang S, et al. AC/C++ code vulnerability dataset with code changes and CVE summaries[C]//Proceedings of the 17th International Conference on Mining Software Repositories. 2020: 508-512.

[5] Li Z, Zou D, Xu S, et al. Vuldeelocator: a deep learning-based fine-grained vulnerability detector[J]. IEEE Transactions on Dependable and Secure Computing, 2021, 19(4): 2821-2837.

[6]Chen Y， Ding Z， Alowain L， et al. Diversevul：用于基于深度学习的漏洞检测的新型易受攻击源代码数据集[C]//第 26 届攻击、入侵和防御研究国际研讨会论文集。2023: 654-668.