ReGVD：重新审视用于漏洞检测的图神经网络
机器学习
2022-02-08 v3 密码学与安全
摘要
识别源代码中的漏洞对于保护软件系统免受网络安全攻击至关重要。然而，这也是一个具有挑战性的步骤，需要安全性和代码表示方面的专业知识。为此，我们旨在开发一个通用、实用且独立于编程语言的模型，能够轻松运行于各种源代码和库。因此，我们将漏洞检测视为一个归纳式文本分类问题，并为此提出了ReGVD，一个简单而有效的基于图神经网络的模型。具体来说，ReGVD将每个原始源代码视为一个平坦的令牌序列来构建图，其中节点特征仅由预训练编程语言（PL）模型的令牌嵌入层初始化。然后，ReGVD利用GNN层之间的残差连接，并检查图级求和池化与最大池化的混合，以返回源代码的图嵌入。ReGVD优于现有的最先进模型，并在CodeXGLUE用于漏洞检测的真实世界基准数据集上获得了最高准确率。我们的代码可在以下网址获取：\url{https://github.com/daiquocnguyen/GNN-ReGVD}。
引用
@article{arxiv.2110.07317,
title = {ReGVD: Revisiting Graph Neural Networks for Vulnerability Detection},
author = {Van-Anh Nguyen and Dai Quoc Nguyen and Van Nguyen and Trung Le and Quan Hung Tran and Dinh Phung},
journal= {arXiv preprint arXiv:2110.07317},
year = {2022}
}
备注
Accepted to ICSE 2022 (Demonstrations). The first two authors contributed equally to this work