基于元路径的注意力图学习模型用于漏洞检测
软件工程
2023-12-12 v2
摘要
近年来，基于深度学习（DL）的方法已广泛用于代码漏洞检测。基于 DL 的方法通常从源代码中提取结构信息，例如代码结构图，并采用图神经网络（GNNs）等神经网络来学习图表示。然而，这些方法未能考虑代码结构图中的异构关系，即异构关系意味着图中不同类型的边连接不同类型的节点，这可能阻碍图表示学习。此外，由于代码结构图的层级较深，这些方法在捕获长距离依赖方面存在局限。在本文中，我们提出了一种基于元路径的注意力图学习模型用于代码漏洞检测，称为 MAGNET。MAGNET 为每个代码片段构建多粒度元路径图，其中异构关系被表示为元路径以表征结构信息。我们还提出了一种基于元路径的层次化注意力图神经网络来捕获图中远距离节点之间的关系。我们在三个公开数据集上评估 MAGNET，结果表明 MAGNET 在 F1 分数上分别优于最佳基线方法 6.32%、21.50% 和 25.40%。MAGNET 在检测最危险的 25 个常见弱点枚举（CWEs）方面也取得了所有基线方法中的最佳性能，进一步证明了其在漏洞检测中的有效性。
引用
@article{arxiv.2212.14274,
title = {Meta-Path Based Attentional Graph Learning Model for Vulnerability Detection},
author = {Xin-Cheng Wen and Cuiyun Gao and Jiaxin Ye and Yichen Li and Zhihong Tian and Yan Jia and Xuan Wang},
journal= {arXiv preprint arXiv:2212.14274},
year = {2023}
}
备注
Accepted by TSE