融合双重编码器和词注意力机制的安全补丁识别模型

摘要

及时应用安全补丁对软件安全至关重要.然而，用户通常等待漏洞披露平台发布补丁后才进行修复，延长了漏洞暴露时间并增加了安全风险.现有方法依赖专家经验，通过人工定义提交日志和代码更改的特征进行补丁分类，但难以全面涵盖特征.为此，本文提出了一种融合双重编码器与词注意力机制的安全补丁识别模型——PatchInsight.该模型融合提交消息和代码更改特征，采用双重编码器(BERT&CodeBERT)、双向门控循环单元(BiGRU)与词注意力机制提取和分析特征.具体而言，使用BERT进行提交日志嵌入，CodeBERT进行代码嵌入，随后将两者特征向量融合并输入BiGRU-Attention模型以识别安全补丁.与现有方法相比，PatchInsight克服了单一特征与模型的局限性，提升了识别效果.在PatchDB和SPI-DB数据集上的评估结果显示，PatchInsight的准确率相较最新基线GraphSPD分别提升11.92%和15.16%,精确率提升9.83%和10.45%,并略微降低假阳性率，验证了其有效性.

关键词

安全补丁识别 / 开源软件安全 / 自然语言处理 / 特征融合 / 词注意力机制