用于漏洞检测的两阶段深度学习模型
密码学与安全
2023-05-18 v1 人工智能
机器学习
摘要
应用安全是开发现代软件的重要组成部分，因为许多攻击依赖于软件中的漏洞。由于技术进步，全球攻击数量正在增加。公司必须在其软件开发、测试和部署的每个阶段都纳入安全性，以防止数据泄露。有若干检测软件漏洞的非 AI 方法，如静态应用安全测试（SAST）和动态应用安全测试（DAST）。然而，这些方法有显著的误报率和漏报率。另一方面，研究人员一直有兴趣开发采用 BERT、BLSTM 等深度学习模型的基于 AI 的漏洞检测系统。在本文中，我们提出了一种两阶段解决方案，针对 C/C++ 源代码中的漏洞检测提出了两个深度学习模型：第一阶段是 CNN，检测源代码是否包含任何漏洞（二分类模型）；第二阶段是 CNN-LTSM，将该漏洞分类为 50 种不同类型漏洞中的一类（多分类模型）。实验在 SySeVR 数据集上进行。结果显示第一阶段准确率为 99%，第二阶段为 98%。
引用
@article{arxiv.2305.09673,
title = {Vulnerability Detection Using Two-Stage Deep Learning Models},
author = {Mohamed Mjd Alhafi and Mohammad Hammade and Khloud Al Jallad},
journal= {arXiv preprint arXiv:2305.09673},
year = {2023}
}