基于图简化和图增强的漏洞检测方法

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