通过对抗训练数据增强和多任务学习提升漏洞类型预测与行级检测
软件工程
2025-07-01 v1
摘要
背景：软件漏洞构成现代软件系统的重大威胁，随着报告漏洞数目和网络攻击次数的不断增长，这些趋势凸显了自动检测和理解软件漏洞的有效方法迫切需求。目标：然而，标注样本稀缺以及漏洞数据集中的类别不平衡问题，为VTP（漏洞类型预测）和LVD（行级漏洞检测）带来了重大挑战，尤其是针对稀有且关键的漏洞类型。此外，大多数现有研究将VTP和LVD视为独立任务，忽略了它们之间固有的关联性，这限制了利用跨任务共享语义模式的潜力。方法：为此，我们提出一种统一方法，将嵌入层驱动对抗训练（EDAT）与多任务学习（MTL）集成。具体而言，EDAT通过在标识符嵌入上引入对抗扰动来增强模型鲁棒性，扰动由语义重要性指导；MTL则通过利用VTP和LVD之间的共享表征和任务间关联性来提升整体性能。结果：广泛实验表明，我们的方法在VTP和LVD任务上均优于当前最先进的基线方法。对于VTP，准确率、精确率、召回率和F1分数均取得显著提升，尤其在识别稀有漏洞类型方面表现突出。对于LVD，方法显著提高了行级检测准确率，同时显著降低了误报率。结论：本研究表明，将EDAT与MTL结合提供了一种统一解决方案，可提升两项任务的性能，值得进一步探索。
引用
@article{arxiv.2506.23534,
title = {Improving vulnerability type prediction and line-level detection via adversarial training-based data augmentation and multi-task learning},
author = {Siyu Chen and Jiongyi Yang and Xiang Chen and Menglin Zheng and Minnan Wei and Xiaolin Ju},
journal= {arXiv preprint arXiv:2506.23534},
year = {2025}
}