基于域适应与最大间隔原则的跨项目软件漏洞检测
密码学与安全
2022-09-22 v1 人工智能
机器学习
摘要
由于计算机软件的普遍性，软件漏洞（SVs）已成为常见、严重且关键的问题。许多基于机器学习的方法被提出以解决软件漏洞检测（SVD）问题。然而，SVD 仍存在两个开放且重要的问题：i) 学习自动表示以提升 SVD 预测性能；ii) 应对标注漏洞数据集的稀缺性，此类数据通常需专家费力标注。本文提出一种新颖的端到端方法以解决这两个关键问题。我们首先利用深度域适应实现软件漏洞检测的自动表示学习。随后提出一种新颖的跨域核分类器，借助最大间隔原则显著改善软件漏洞从已标注项目到未标注项目的迁移学习过程。在真实世界软件数据集上的实验结果表明，我们所提方法优于 SOTA 基线。简言之，在 SVD 中最重要的指标 F1-measure 上，我们的方法相较所用数据集中次优方法取得了高出 1.83% 至 6.25% 的性能。我们发布的源代码样本公开于 https://github.com/vannguyennd/dam2p。
引用
@article{arxiv.2209.10406,
title = {Cross Project Software Vulnerability Detection via Domain Adaptation and Max-Margin Principle},
author = {Van Nguyen and Trung Le and Chakkrit Tantithamthavorn and John Grundy and Hung Nguyen and Dinh Phung},
journal= {arXiv preprint arXiv:2209.10406},
year = {2022}
}