基于动态切片与预训练模型的代码漏洞检测

全文摘要

该论文提出了一种基于动态切片与预训练模型的代码漏洞检测方法，旨在解决传统基于深度学习的漏洞检测模型存在的问题，如准确性低、可扩展性差等。该方法通过动态切片获取包含路径特征的语句块，并利用预训练模型的语义提取能力将其表示为二维张量。然后，将代码结构和语义特征编码成灰度图像中的像素值，并借助Swin Transformer的特征提取能力，实现更准确的漏洞检测。实验结果表明，该方法能够有效降低误报率和漏报率，提高漏洞检测的准确性和可靠性。

论文实验

作者进行了三个对比实验来评估基于动态切片与预训练模型的代码漏洞检测方法的有效性：

1. 实验一：该实验研究了基于动态切片与预训练模型的代码漏洞检测方法是否适用于多种漏洞类型。作者选取了4种漏洞类型和一个混合数据集进行实验，并选定了5个常用维度进行实验。实验结果表明，本文漏洞检测方法在代码嵌入时选取适当的高度能够提高检测的准确率，选取合适的张量高度，对不同的漏洞类型，本文检测方法都具有较好的适应性，准确率都可达94%以上。

2. 实验二：该实验比较了Swin Transformer模型和其他3个分类模型（ResNet、MobileNet、ViT）的分类性能。实验结果表明，Swin Transformer在准确率、查准率和F1分数等指标上优于其他3个模型，其F1分数达到了93%以上，而另外3个分类模型的F1得分都不足90%，这表明Swin Transformer在各项性能指标上相对于其他模型都有显著的优势。

3. 实验三：该实验将本文方法DyNSliceVuln与目前较为先进的漏洞检测方法进行对比（SySeVR、VulDeepEcker、VulCNN）。实验结果表明，本文方法DyNSliceVuln在F1得分和准确率上皆比VulDeepEcker、SySeVR和Vul