MVD：基于流敏感图神经网络的记忆相关漏洞检测
密码学与安全
2022-03-08 v1 软件工程
摘要
记忆相关漏洞对现代软件的安全性构成严重威胁。尽管基于深度学习的方法在通用漏洞检测方面取得了成功，但在应用于检测记忆相关漏洞时，它们仍受限于流信息利用不足，导致高误报率。本文中，我们提出MVD，一种基于流敏感图神经网络（FS-GNN）的语句级记忆相关漏洞检测方法。FS-GNN用于联合嵌入非结构化信息（即源代码）和结构化信息（即控制流和数据流），以捕获隐式记忆相关漏洞模式。我们在包含4,353个真实世界记忆相关漏洞的数据集上评估MVD，并将我们的方法与三种最先进的基于深度学习的方法以及五种流行的基于静态分析的记忆检测器进行比较。实验结果表明，MVD实现了更好的检测准确率，优于最先进的基于DL的方法和基于静态分析的方法。此外，MVD在准确率和效率之间取得了很好的权衡。
引用
@article{arxiv.2203.02660,
title = {MVD: Memory-Related Vulnerability Detection Based on Flow-Sensitive Graph Neural Networks},
author = {Sicong Cao and Xiaobing Sun and Lili Bo and Rongxin Wu and Bin Li and Chuanqi Tao},
journal= {arXiv preprint arXiv:2203.02660},
year = {2022}
}
备注
To appear in the Technical Track of ICSE 2022