【论文阅读笔记】用于二进制代码相似性检测的语义感知神经网络

最新推荐文章于 2024-10-18 10:20:53 发布
原创 最新推荐文章于 2024-10-18 10:20:53 发布 · 1.7k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习

该论文提出了一种新的语义感知神经网络框架，用于在不依赖源代码的情况下检测二进制代码的相似性。通过将二进制代码转换为语义和结构信息丰富的图，结合BERT进行预训练，以及使用CNN捕捉节点顺序，模型在四个数据集上的实验显示了优越性能，特别是在图的块包含和分类任务中。

在这里插入图片描述

论文标题：Order Matters: Semantic-Aware Neural Networks for Binary Code Similarity Detection
原文链接：https://ojs.aaai.org/index.php/AAAI/article/view/5466
说明：在读研究生为方便记忆梳理学习，手敲论文笔记，概括论文的主要思想和内容。

背景

在这里插入图片描述

  1. 二进制代码相似性检测，其目的是在不访问源代码的情况下检测相似的二进制函数，是计算机安全的一项基本任务。
  2. 利用二进制代码的流程图来构建代码的语义的提取。
  3. 使用NLP模型提取二进制代码语义信息，tokens=word，块=句子。
  4. 本文贡献：
  • 提出通用框架学习CFG的图嵌入，可以学习语义信息，结构信息和顺序信息。
  • 语义感知建模使用BERT对带有掩码1语言模型任务和相邻节点预测的token和块的嵌入进行预训练。
  • 顺序感知建模中，节点顺序有用，在邻接矩阵上采用CNN模型提取CFG的节点顺序信息。
  • 四个数据集对两个任务（图的块包含和图的块分类）的实验表明，本模型性能更好。

正文

最低0.47元/天 解锁文章
安全研究 # 二进制代码相似性检测综述
skysys的研究小屋
12-04 4848
本文参考： [1]方磊,武泽慧,魏强.二进制代码相似性检测技术综述[J].计算机科学,2021,48(05):1-8. (信息工程大学数学工程与先进计算国家重点实验室, 国家重点研发课题,北大核心)代码相似性检测常用于代码预测、知识产权保护和漏洞搜索等领域，可分为源代码相似性检测和二进制代码相似性检测。软件的源代码通常难以获得，因此针对二进制代码的相似性检测技术能够适用的场景更加广泛。根据关注的代码信息的不同，当前的二进制代码相似性检测技术分为4类：基于文本、基于属性度量、基于程序逻辑、基于语义的检测技术。
[论文阅读笔记]-用于二进制代码相似性检测的语义感知神经网络
阿航的博客
10-09 1475
文中提出了一种新的二进制代码图学习框架，其中包含语义感知模块、结构感知模块和顺序感知模块。首先提出用两个原始任务 MLM 和 ANP 以及两个额外的图级任务 BIG 和 GC 对 CFG 块进行预训练，用于捕捉语义特征。然后使用 MPNN 提取图结构信息。最后利用 CNN 模型来捕捉节点顺序信息。文中在四个数据集对两个任务进行了实验，实验结果表明，提出的模型优于目前最先进的方法。
论文研究-二进制文件相似性检测技术对比分析.pdf
09-07
传统的文件相似性检测技术是基于源代码的，针对源代码难以获取的情况，二进制文件比对技术被提出并受到越来越多的关注。总结和分析了四种二进制文件相似性检测技术和主流的检测工具。在提出了二进制文件克隆比对的评价方法的基础上进行了实验测试。该方法针对二进制文件克隆的分类方式，设计了实验流程和相似度的计算标准。结果表明对于连续克隆，不影响调用关系的分割克隆，不影响基本块数量和调用关系的等价替换克隆，采用二进制文件相似性检测比采用基于token的源代码文件相似性检测能得到更准确的检测结果。
TikNib:二进制代码相似性分析 (BCSA) 工具
05-29
描述 TikNib 是一个二进制代码相似性分析（BCSA）工具。 TikNib 能够评估 BCSA 中使用的功能的有效性。 可以扩展它以评估其他有趣的特征以及相似性度量。 目前，TikNib 支持以下功能。 TikNib 还采用了可解释的特征工程模型，该模型实质上衡量了每个特征之间的相对差异。 换句话说，它捕获每个功能在不同编译选项之间的差异。 请注意，此模型及其内部相似性评分指标不是解决 BCSA 问题的最佳方法，但它可以帮助分析编译方式如何影响每个特征。 TikNib 目前专注于函数级相似度分析，这是二进制分析的基本单元。 有关更多详细信息，请查看。 数据集 搭建交叉编译环境和数据集，请查看。 支持的功能 CFG 特点 配置文件大小 cfg_avg_degree cfg_num_degree cfg_avg_loopintersize cfg_avg_loopsize c
科恩论文阅读：Semantic-Aware Neural Networks for Binary Code Similarity Detection
至臻求学，胸怀云月
03-31 2898
Order Matters: Semantic-Aware Neural Networks for Binary Code Similarity Detection //基于语义感知神经网络的二进制代码相似性检测 文章目录Order Matters: Semantic-Aware Neural Networks for Binary Code Similarity Detection背景摘要int...
Order Matters_ Semantic-Aware Neural Networks for Binary Code Similarity Detection
宗泽的博客
04-12 675
二进制代码相似性检测是计算机安全中的一项重要任务，其目标是在不访问源代码的情况下检测相似的二进制函数。传统的方法通常使用图匹配算法，这种算法速度慢且不准确。最近，基于神经网络的方法已经取得了巨大的成就。首先将二元函数表示为具有手动选择的块特征的控制流图（CFG），然后采用图神经网络（GNN）来计算图的嵌入。虽然这些方法是有效和高效的，但它们无法捕获足够的二进制代码的语义信息。在本文中，我们提出了语义感知神经网络来提取二进制代码的语义信息。
【论文阅读笔记】Order Matters（AAAI 20）
Yuhan2001的优快云博客
05-04 1935
论文笔记：Order Matters（AAAI 20） 用于二进制代码相似性检测的语义感知神经网络
目标检测论文阅读：FCOS算法笔记
qq_43631268的博客
01-07 777
本文提出了一种全卷积单阶段目标检测器（FCOS），以逐像素预测的方式解决目标检测问题，类似于语义分割。几乎所有的SOTA目标检测器，如RetinaNet、SSD、YOLOv3和Faster R-CNN，都依赖于预定义的锚框。相比之下，我们提出的FCOS检测器是anchor-free和proposal-free的。通过消除预定义的锚框集合，FCOS完全避免了训练时和锚框有关的复杂的计算，比如计算overlapping。更重要的是，我们还避免了一切与锚框相关的超参数，这些超参数往往对最终的检测效果非常敏感。
深度生成模型文物修复--论文阅读笔记（导-6）
最新发布
weixin_43899239的博客
10-18 3089
在空间中寻找相似模型填补，传统图像修复方法有三种：：即变分自动编码器（VAE）和生成对抗网络（GAN），能够通过依赖卷积神经网络（CNN）捕获复杂场景的非线性表示。加上适当的网络架构和目标函数，它们能够生成更多的语义感知的内绘制区域。
基于自适应特征融合的语义感知去雾网络（Semantic-Aware Dehazing Network With Adaptive Feature Fusion）
weixin_48426415的博客
08-09 1839
尽管卷积神经网络(cnn)在单幅图像去雾中表现出了高质量的重建效果，但由于模糊场景中的语义混淆，恢复自然逼真的去雾结果仍然是一个具有挑战性的问题。在本文中，我们展示了通过将语义先验结合到去雾网络中来忠实地恢复纹理是可能的，因为无雾图像中的物体往往会显示某些形状、纹理和颜色。我们提出了一种语义感知的去雾网络(SDNet)，该网络将语义先验作为去雾的颜色约束，有利于获取合理的场景配置。此外，我们设计了一个密集连接的块来捕获全局和局部信息，用于去雾和语义先验估计。
CNet：用于语义分割的上下文感知网络
03-13
语义分割是计算机视觉中的重大挑战之一。 最近，深度卷积神经网络（DCNN）在大多数计算机视觉任务中都取得了巨大的成功。 但是，就语义分割而言，DCNN方法仍然难以充分利用上下文信息并确定对象的精细边界。 在本文中，我们提出了一种上下文感知网络（CNet），该网络利用健壮的上下文信息来改善分割结果。 CNet具有两个重要组成部分：1）特征收集模块（FCM），其构造为通过不同的接受域提取低级上下文特征，包括纹理，布局，边界，局部和全局关系，以补充高级特征学习，以及2）名为ResGate的新颖层，开发该层是为了从FCM中选择健壮的上下文特征。 这两个组合的组件可以彻底探索上下文信息，以提高边界分割的准确性。 我们在流行的PASCAL VOC2012数据集上评估了所提出的方法，并与相关方法相比获得了有希望的性能，特别是在相似对象或复杂场景中的对象的情况下。
二进制文件相似度计算-（综述）.pdf
06-08
二进制文件相似度计算-（综述）涉及文件关联、函数关联、漏洞关联、漏洞发现等多方面的应用，在软件剽窃检测、代码抄袭、版本识别、补丁查找等有重要作用。
[论文阅读] (27) AAAI20 Order Matters: 基于图神经网络的二进制代码相似性检测（腾讯科恩实验室）
杨秀璋的专栏
04-06 4846
《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。前一篇文章介绍Excel论文可视化分析基础知识。这篇文章将带来AAAI20腾讯科恩实验室的经典工作——Order Matters，提出语义感知（Semantic-Aware）神经网络来实现二进制代码相似性检测，希望这篇文章对您有所帮助。一方面自己英文太差，只能通过最土的办法慢慢提升，另一方面是自己的个人学习笔记，并分享出来希望大家批评和指正。这些大佬是真的值得我们去学习，献上小弟的膝盖~fighting！
用c语言编写程序相似性检测,程序代码相似性检测在论文抄袭判定中的应用
weixin_34856548的博客
05-18 1625
摘要：现行的论文检测系统，只针对文字部分进行判定，无法判断论文中所包含的代码的独创性。理工科学生的毕业论文，通常包含的大量代码。因现行系统对代码默视为原创，而最终影响了对论文整体抄袭比例的判定，使准确性大打折扣。文章尝试探讨在现行的检测系统中，添加一个针对代码检测判定的模块，提高对理工科学生毕业论文抄袭判定的准确性。关键词：论文；抄袭；检测；代码；判定中图分类号：TP311文献标识码：A文章编号：...
两组声音的一维数据如何比较相似度_机器学习在二进制代码相似性分析中的应用...
weixin_39731271的博客
12-04 681
前言本文介绍了3篇二进制代码相似性分析的顶会技术，他们体现了二进制代码相似性分析中一些最先进的思想。第一篇是Genius技术，是在《基于神经网络图嵌入的跨平台二进制代码相似性检测》论文中作为对比技术介绍，它首次使用图嵌入这个机器学习的概念去做二进制代码相似性分析，它涉及到了聚类算法、图比对、密码本等技术，也为后两篇论文打下了基础。第二篇是Gemini技术，它使用了更先进的Structure2vec...
Neural Network-based Graph Embedding for Cross-Platform Binary Code Similarity Detection 超精简全文论文笔记
2301_77729899的博客
04-01 992
2017年CSS会议文章，提出了基于神经网络的跨平台二进制代码检测方法
论文学习_多平台二进制代码分类与相似性检测技术研究
kitsch0x97的博客
06-23 1289
二进制代码分类与相似性检测是恶意代码家族分析、软件代码溯源的基础，对保障网络空间安全具有重要作用。：在多种平台下，二进制代码包括 PE、ELF、DEX 等形态的文件格式，并设计 X86、ARM、MIPS、PPC 等指令架构。而在同一平台下，同一份软件代码也可经过混淆、加壳等烟花方式生成多种二进制版本。这种，导致二进制代码的分类与相似性检测面临着兼容难、适用难、分析难的问题。因此，，成为亟待解决的技术难题。：针对以上难点问题，论文首先提出了，该方法无需逆向分析和动态分析过程，多平台兼容性强；
Binary code similarity detection(BCSD)
bassbian的博客
09-10 944
为什么要有BCSD： binary code：二进制代码，是给计算机看的computer language。 source code：源代码，就是人类可读的代码。我们平时说的C++，Java之类的都是source code 如果有source code的话，那肯定是分析source code最好看懂。但就是因为很多时候我们拿不到source code，能拿到手的就只有binary code。比如third party libraries。 所以就会想办法分析binary code。但人又binary
**探索二进制代码相似性检测的未来：引入 jTrans**
gitblog_00075的博客
06-18 1063
探索二进制代码相似性检测的未来：引入 jTrans jTransOfficial code of jTrans: Jump-Aware Transformer for Binary Code Similarity Detection项目地址:https://gitcode.com/gh_mirrors/jt/jTrans 在二进制代码相似性检测(BCSD)领域，一项名为 jTrans 的开创性项...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值