56、基于图卷积神经网络的恶意软件分类与Java2CSP调试工具介绍

基于图卷积神经网络的恶意软件分类与Java2CSP调试工具介绍

1. 基于图卷积神经网络的恶意软件分类

在恶意软件分类领域，提出了一种基于图卷积网络（GCN）的方法，利用基于PE调用图的静态特征进行分类。

• 特征提取 ：节点级特征是从代码的指令n - 元频率中获得的局部敏感哈希（LSH）码字。
• GCN作用 ：GCN有助于聚合拓扑信息，并将其用于分类过程。还比较了不同的模型，同时使用了文献中的拓扑特征和节点级特征。

然而，使用全局平均池化层对节点嵌入进行平均以获得调用图的最终嵌入可能不是一个合适的选择，未来需要研究其他可能的聚合方法。其他未来的想法包括但不限于对图聚合运算符（例如连接）进行实验、研究深度图神经网络架构、通过考虑其他指令级信息（如参数）来改进节点级特征，以及使用较小的精选数据集来观察噪声标签的影响。

2. Java2CSP调试工具

调试，即查找、定位、理解和修复软件中的错误，是软件工程中一项困难、耗时但必要的活动，占总成本的40 - 50%。目前，基于频谱的故障定位（SFL）在调试研究领域的出版物中占比最大，其次是基于模型的调试（MBD），但MBD工具相对缺乏。

为了弥补这一差距，开发了Java2CSP调试工具，它将类Java的命令式程序转换为约束满足问题，以正式表示相应的调试问题。该工具主要用于教学和研究，还提供用户界面，引导用户完成调试过程，并提供与约束求解器的接口。

2.1 调试问题定义

调试问题包括一个程序Π和一个失败的测试用例（