基于图简化和图增强的漏洞检测方法_多图融合漏洞检测-优快云博客

本文链接：https://blog.youkuaiyun.com/wangyifan4576/article/details/142868187

全文摘要

本篇论文旨在解决深度学习在软件漏洞检测中的局限性问题。目前，基于图神经网络（GNN）的学习方法已被广泛应用于源代码的图形表示和漏洞检测中。然而，现有的方法仍然受到GNN难以处理长距离节点连接以及无法充分利用多种类型边的影响。为了解决这些问题，本文提出了一个名为AMPLE的新颖漏洞检测框架，该框架包括两个部分：1）图简化，通过缩小代码结构图中节点的大小来减少节点之间的距离；2）增强型图表示学习，其中包含一个融合异构边信息的边缘感知卷积网络模块和一个捕捉远距离图节点之间关系的核缩放表示模块。实验结果表明，相比现有最先进的方法，AMPLE在准确性和F1得分指标上分别提高了0.39％至35.32％和7.64％至199.81％，证明了它在学习代码图的全局信息方面的有效性。

论文方法

方法描述

该论文提出了一种名为AMPLE的代码缺陷检测工具，其主要目的是通过深度学习技术来识别源代码中的安全漏洞。该工具主要包括两个部分：图简化和增强的图表示学习。其中，图简化主要是通过类型基于图简化和变量基于图简化两种方式来压缩重复信息；而增强的图表示学习则包括了边缘感知卷积网络模块和核尺度表示模块，用于学习节点之间的关系并捕捉远距离节点之间的联系。

方法改进

与传统的静态代码分析方法相比，这种方法可以更好地处理大规模的程序，并且具有更高的准确性和效率。此外，该方法还使用了多头注意力机制来控制不同边信息对于节点表示的影响，从而提高了模型的表现能力。

解决的问题

该方法解决了传统静态代码分析方法在处理大规模程序时存在的问题，能够更快速、准确地识别出源代码中的安全漏洞，为软件开发人员提供了更加可靠的代码安全性保障。

论文实验

本文主要介绍了基于代码结构图的漏洞检测方法的研究，并通过实验对其进行了评估和比较。具体来说，作者采用了四种研究问题（RQ）来进行实验：

RQ1：如何有效进行漏洞检测？
RQ2：如何改进代码结构图以提高性能？
RQ3：增强的图表示学习对性能有何影响？
RQ4：超参数对性能的影响是什么？

接下来，我们将详细介绍每个实验的结果和结论。

首先，在RQ1中，作者将所提出的方法与其他六种基于代码结构图的漏洞检测方法进行了比较。结果表明，基于代码结构图的图形方法比基于词嵌入的文本方法表现更好。此外，所提出的AMPLe模型在所有数据集上都优于其他基准模型，提高了7.63％至40.40％的F1分数。

其次，在RQ2中，作者探讨了简化代码结构图对性能的影响以及不同简化方法的效果。结果表明，简化代码结构图可以显著提高模型的准确性，且VGS贡献更大。同时，简化后的代码结构图也具有更小的节点距离和边数，有助于减少计算复杂度。

然后，在RQ3中，作者研究了增强的图表示学习对性能的影响。结果显示，EA-GCN模块和KSR模块都可以显著提高模型的性能，其中EA-GCN模块对于异质边缘信息的学习更为重要。

最后，在RQ4中，作者探索了不同超参数对性能的影响。结果表明，使用大小为11和3的大/小卷积核可以获得最佳性能，而增加卷积层数量会导致性能下降。此外，更多的注意力头可以帮助捕捉不同的边缘信息，但超过10个头不会进一步提高性能。

综上所述，本文通过多个实验得出了关于基于代码结构图的漏洞检测方法的有效性和改进方向的结论。这些结论可以为相关领域的研究提供参考。

论文总结

文章优点

该论文提出了一种新颖的软件漏洞检测框架——AMPLE，通过简化代码结构图并增强图形表示学习来提高漏洞检测性能。该方法采用了两个主要部分：1）图形简化，通过缩小代码结构图的大小来减少节点之间的距离；2）增强图形表示学习，包括两个模块：边缘感知图神经网络模块和核尺度表示模块。实验结果表明，与其他六种现有软件漏洞检测方法相比，AMPLE在准确性和平滑度指标上均优于其他方法。

方法创新点

该论文的方法创新点在于引入了新的代码输入表示方式，即通过图形简化来减少节点之间的距离，并使用增强图形表示学习来更好地捕捉代码结构图的信息。同时，该方法还设计了一个边缘感知图神经网络模块，可以考虑不同类型的边信息并将异构的边信息融合到节点表示中。此外，该方法还采用了核尺度表示模块，可以通过调整卷积核大小来明确地捕获远处节点之间的关系。