$\mu$VulDeePecker：一种基于深度学习的多类漏洞检测系统
密码学与安全
2020-01-09 v1 机器学习
摘要
细粒度软件漏洞检测是一个重要且具有挑战性的问题。理想情况下，一个检测系统（或检测器）不仅应当能够检测程序是否包含漏洞，还应当能够精确定位所讨论漏洞的类型。现有的基于深度学习的漏洞检测方法能够检测漏洞的存在（即解决二分类或检测问题），但无法精确定位漏洞类型（即无法解决多类分类问题）。在本文中，我们提出了首个基于深度学习的多类漏洞检测系统，称为 VulDeePecker。VulDeePecker 背后的关键洞见是代码注意力（code attention）这一概念，其能够捕获有助于精确定位漏洞类型的信息，即使在样本量较小时也是如此。为此，我们从头创建了一个数据集并用它来评估 VulDeePecker 的有效性。实验结果表明，VulDeePecker 对于多类漏洞检测是有效的，并且引入控制依赖（除数据依赖之外）能够带来更高的检测能力。
引用
@article{arxiv.2001.02334,
title = {$\mu$VulDeePecker: A Deep Learning-Based System for Multiclass Vulnerability Detection},
author = {Deqing Zou and Sujuan Wang and Shouhuai Xu and Zhen Li and Hai Jin},
journal= {arXiv preprint arXiv:2001.02334},
year = {2020}
}
备注
To be published in IEEE Transactions on Dependable and Secure Computing