基于图简化与增强图表示学习的漏洞检测
软件工程
2023-02-10 v1
摘要
先前的研究已证明深度学习(DL)在自动化软件漏洞检测中的有效性。图神经网络(GNN)在学习源代码图表示方面已被证明有效，并被现有基于DL的漏洞检测方法广泛采用。然而，现有方法仍受限于以下事实：GNN本质上难以处理代码结构图中长距离节点之间的连接。此外，它们未能充分利用代码结构图中的多种边类型（如表示数据流和控制流的边）。因此，尽管取得了最先进的性能，现有基于GNN的方法往往无法捕获代码图的全局信息（即节点间的长程依赖）。为缓解这些问题，本文提出一种具有图简化与增强图表示学习的新型漏洞检测框架，命名为AMPLE。AMPLE主要包含两部分：1)图简化，旨在通过缩小代码结构图的节点规模来缩短节点间距离；2)增强图表示学习，包含一个用于融合异构图边信息到节点表示的边感知图卷积网络模块，以及一个用于良好捕获远距离图节点间关系的核尺度表示模块。在三个公开基准数据集上的实验表明，AMPLE在准确率和F1分数指标上分别比最先进方法高出0.39%–35.32%和7.64%–199.81%。结果证明了AMPLE在学习代码图全局信息以进行漏洞检测方面的有效性。
引用
@article{arxiv.2302.04675,
title = {Vulnerability Detection with Graph Simplification and Enhanced Graph Representation Learning},
author = {Xin-Cheng Wen and Yupan Chen and Cuiyun Gao and Hongyu Zhang and Jie M. Zhang and Qing Liao},
journal= {arXiv preprint arXiv:2302.04675},
year = {2023}
}
备注
13 pages, 8 figures, Accepted for publication in the ICSE 23 Technical Track