用于源代码漏洞识别的序列图神经网络
密码学与安全
2023-06-09 v1 机器学习
摘要
漏洞识别对于网络安全是一项极为重要的任务。它对于在大型应用中定位和修复存在漏洞的函数非常有帮助。然而，由于缺少可靠且管理得当的数据集和学习模型，该任务颇具挑战性。现有方案通常依赖人类专家来标注数据集或指定特征，这容易产生错误。此外，学习模型的误报率较高。为弥补这一不足，本文提出一个精心整理的 C/C++ 源代码漏洞数据集，记为 CVEFunctionGraphEmbeddings (CVEFGE)，以辅助模型开发。CVEFGE 从 CVE 数据库自动爬取，包含真实且公开披露的源代码漏洞。我们还提出了一种基于图神经网络的学习框架，记为 SEquential Graph Neural Network (SEGNN)，用于学习大量代码语义表示。SEGNN 由序列学习模块、图卷积、池化和全连接层组成。我们在图分类设定下基于两个数据集和四种基线方法进行的评估展示了最先进的结果。
引用
@article{arxiv.2306.05375,
title = {Sequential Graph Neural Networks for Source Code Vulnerability Identification},
author = {Ammar Ahmed and Anwar Said and Mudassir Shabbir and Xenofon Koutsoukos},
journal= {arXiv preprint arXiv:2306.05375},
year = {2023}
}
备注
7 pages paper presented at HotSoS2023 conference