迈向鲁棒的基于深度学习漏洞检测器
密码学与安全
2021-08-05 v2 机器学习
摘要
在源代码中自动检测软件漏洞是一个重要问题，已引起广泛关注。特别是，基于深度学习的漏洞检测器（简称 DL 基检测器）颇具吸引力，因为它们不需要人类专家定义漏洞的特征或模式。然而，此类检测器的鲁棒性尚不清楚。本文通过证明 DL 基检测器对简单的代码变换（本文称为攻击）并不鲁棒，启动了该方面的研究，因为这些变换可能被用于恶意目的。作为使 DL 基检测器对此类攻击具备鲁棒性的第一步，我们提出一种创新框架，称为 ZigZag，其核心在于（i）解耦特征学习与分类器学习，以及（ii）使用 ZigZag 式策略迭代精化二者，直至收敛到鲁棒特征与鲁棒分类器。实验结果表明，ZigZag 框架能显著提升 DL 基检测器的鲁棒性。
引用
@article{arxiv.2108.00669,
title = {Towards Making Deep Learning-based Vulnerability Detectors Robust},
author = {Zhen Li and Jing Tang and Deqing Zou and Qian Chen and Shouhuai Xu and Chao Zhang and Yichen Li and Hai Jin},
journal= {arXiv preprint arXiv:2108.00669},
year = {2021}
}