VulMCI：基于代码拼接的像素行过采样用于生成更连续的漏洞图像
密码学与安全
2024-04-17 v2
摘要
近年来，深度学习技术的快速发展为漏洞检测领域带来了新前景。许多漏洞检测方法涉及将源代码转换为图像进行检测，但往往忽略了生成图像的质量。由于漏洞图像缺乏像目标检测图像那样清晰连续的轮廓，卷积神经网络（CNNs）在卷积和池化过程中倾向于丢失语义信息。因此，本文提出了一种基于代码行拼接的像素行过采样方法，以生成更连续的代码特征，解决代码图像着色不连续的问题。在此基础上，我们提出了漏洞检测系统 VulMCI，并在 SARD 和 NVD 数据集上进行了测试。实验结果表明，VulMCI 优于七种最先进的漏洞检测器（即 Checkmarx、FlawFinder、RATS、VulDeePecker、SySeVR、VulCNN 和 Devign）。与其他基于图像的方法相比，VulMCI 在各项指标上均有提升，包括真阳性率（TPR）提高 2.877%，真阴性率（TNR）提高 5.446%，准确率（ACC）提高 5.91%。在 NVD 真实世界数据集上，VulMCI 实现了 5.162% 的平均准确率提升，证实了其在实际漏洞检测应用中的价值。
引用
@article{arxiv.2402.18189,
title = {VulMCI : Code Splicing-based Pixel-row Oversampling for More Continuous Vulnerability Image Generation},
author = {Tao Peng and Ling Gui and Yi Sun},
journal= {arXiv preprint arXiv:2402.18189},
year = {2024}
}