DexBERT：高效、任务无关且细粒度的 Android 字节码表示学习

得益于机器学习（ML），大量软件工程任务的自动化正变得可能。将 ML 应用于软件制品（如源代码或可执行代码）的核心在于将其转换为适于学习的形式。传统上，研究者依赖基于专家知识的手工选取特征，这些知识有时不精确且通常不完整。表示学习已使 ML 能自动选择适宜表示与相关特征。然而，对于 Android 相关任务，现有模型如 apk2vec 聚焦于整个应用层级，或针对特定任务如 smali2vec，这限制了其适用性。我们的工作属于一条新研究路线，其探究有效、任务无关且细粒度的字节码通用表示，以缓解上述两方面的局限。此类表示旨在捕获与各类底层下游任务（例如类层级）相关的信息。我们受自然语言处理领域启发，该领域中通用表示问题通过构建通用语言模型（如 BERT）得以解决，其目标是捕获关于句子的抽象语义信息，并以可复用于多种任务的方式实现。我们提出 DexBERT，一种类 BERT 语言模型，专用于表示 DEX 字节码片段——Android 应用使用的主要二进制格式。我们实证评估了 DexBERT 是否能够建模 DEX 语言，并在我们三个不同的类级软件工程任务中评估了模型的适用性：恶意代码定位、缺陷预测与组件类型分类。我们还实验了应对应用规模差异巨大问题的策略，并展示了使用我们的技术探究给定任务相关信息的一个示例。