基于图神经网络的漏洞检测：一种反事实解释

漏洞检测对于确保软件系统的安全性和可靠性至关重要。最近，图神经网络（GNNs）作为一种突出的代码嵌入方法在漏洞检测中屈居于上，因其能够捕捉源代码的底层语义结构。然而，GNNs在可解释性方面面临重大挑战，因其本质上是黑箱模型。为此，已提出几种基于事实推理的解释器。这些解释器通过分析贡献于结果的关键特征，为GNNs的预测提供解释。我们认为，这些基于事实推理的解释无法回答关键的假设问题：如果我们将代码图转换为 alternative 结构，GNN的决策会发生什么？灵感来自人工智能中反事实推理的进展，我们提出CFExplainer，这是一种用于GNN-based漏洞检测的新型反事实解释器。与基于事实推理的解释器不同，CFExplainer寻求使输入代码图发生最小扰动，以导致预测改变，从而为漏洞检测解决假设问题。我们将这种扰动称为反事实解释，可指示检测到的漏洞的根本原因，并为开发人员提供实施适当操作以修复漏洞的宝贵见解。在四个GNN-based漏洞检测模型上的大量实验表明，CFExplainer相对于现有SOTA基于事实推理的解释器具有有效性。