保持简单：面向大型代码图的准确漏洞检测
软件工程
2024-12-16 v1
摘要
软件漏洞检测对于高质量软件开发至关重要。最近，一些利用图神经网络 (GNN) 学习代码中图表示以进行漏洞检测任务的研究取得了显著成功。然而，现有的基于图的方法主要面临两个限制，阻碍它们很好地泛化到大型代码图：(1) 代码图中噪声信息的干扰；(2) 捕获图中长距离依赖关系的困难。为了缓解这些问题，我们提出了一种新颖的漏洞检测方法 ANGLE，其新颖性主要体现在层次化图精炼和上下文感知图表示学习。前者层次化地过滤代码图中的冗余信息，从而减小图的大小，后者协同利用图 Transformer 和 GNN 从全局和局部两个视角学习代码图表示，从而捕获长距离依赖关系。大量实验在三个广泛使用的基准数据集上展示了有前景的结果：我们的方法在准确率和 F1 分数方面显著优于多个基线。特别地，在大型代码图中，ANGLE 相比最先进方法 AMPLE 实现了 34.27%–161.93% 的准确率提升。这些结果证明了 ANGLE 在漏洞检测任务中的有效性。
引用
@article{arxiv.2412.10164,
title = {Keep It Simple: Towards Accurate Vulnerability Detection for Large Code Graphs},
author = {Xin Peng and Shangwen Wang and Yihao Qin and Bo Lin and Liqian Chen and Xiaoguang Mao},
journal= {arXiv preprint arXiv:2412.10164},
year = {2024}
}
备注
17 pages