面向软件漏洞检测的Mixup式数据增强方法研究

各类深度学习（DL）方法近期被用于检测软件漏洞。然而，现实世界的软件漏洞数据集稀缺且难以获取，因为没有简单的数据集分类漏洞的度量标准。此类数据集严重不平衡，且当前数据集对DL模型而言规模不足。为此，最近的研究尝试通过源代码生成逼真的单语句漏洞来增强数据集，但这种方法不够实用，需要人工检查生成的漏洞。本文旨在探索在表示层面上进行漏洞数据增强，以帮助当前模型更好地学习，这种做法在我们所知述的文献中尚未有人尝试。我们实现并评估了五种数据嵌入的增强技术，这些技术曾用于代码搜索，是完全不同的软件工程任务。我们还引入了这些增强方法的条件版本，确保增强不会改变向量表示中易感部分。我们展示，这些增强方法有助于提高F1分数，可提升最高9.67%，但无法超越随机过采样，当数据集不平衡时，后者可将F1分数提高10.82%。