智慧电力物联网固件多粒度漏洞检测方法

摘要

【目的】电力物联网设备固件的安全性对保障关键基础设施稳定运行至关重要。然而，固件特征复杂且分析维度单一，导致现有漏洞检测方法存在精度低、适应性差的问题。为此，研究一种适用于泛在物联背景下的智慧电力物联网固件多粒度漏洞检测方法，以提升漏洞检测的全面性与准确性。【方法】本文设计了i2vBi模型，将地址空间操作数映射为8类控制装载基址，从而精确生成指令词向量；利用Softmax函数计算上下文词概率，训练极大似然估计模型，并通过双向长短期记忆网络(bidirectional long short-term memory, BiLSTM)聚合指令向量，得到蕴含前后向语义信息的基本块嵌入向量。利用基本块嵌入向量构建属性控制流图，以提取函数内部的细粒度结构特征；采用主邻域聚合(principal neighbourhood aggregation, PNA)算法，并结合多种聚合器与基于节点度的缩放器，自适应地聚合节点邻域信息，生成表达力更强的图嵌入向量，完成函数级别的中观粒度特征提取。随后，利用卷积神经网络(convolutional neural network, CNN)与自注意力机制从图嵌入向量中提取函数执行顺序的局部模式特征，并将该顺序特征与基本块嵌入向量构建的属性控制流图特征输入多层感知机进行融合，形成最终的综合特征向量。引入语义分析维度，将已知漏洞函数转化为自然语言文本，通过基于双向编码器(bidirectional encoder representations from transformers, BERT)表示的语义嵌入模型进行掩码建模与均值池化，生成语义向量；计算其与目标函数综合特征向量的余弦相似度，通过设定阈值实现基于语义相似度的多粒度漏洞判定。【结果】为验证本文方法的有效性，在包含真实电力物联网固件镜像的数据集上进行了测试。实验结果表明：本文方法的曲线下面积(area under the curve, AUC)值稳定在0.85～0.95之间，显著高于对比方法，证明了其优异的整体分类性能；Kappa系数位于0.85～0.95的高位区间，表明检测结果与真实情况具有高度一致性；海明距离值始终保持较低水平，说明本文方法的误报率与漏报率得到了有效控制，预测结果更为精确。【结论】本文方法通过融合指令、基本块、函数控制流及语义等多个层次的特征，有效克服了特征维度单一的局限。该方法不仅显著提升了漏洞检测的精度与鲁棒性，而且因其对代码语义的理解而具备更好的环境适应性。研究成果为实现智慧电力物联网固件的自动化、智能化安全分析提供了可靠的技术途径，对增强电力物联网系统的整体安全性与稳定性具有积极意义。

关键词

泛在物联 / 智慧电力物联网 / 固件漏洞检测 / 多粒度 / 卷积神经网络 / 主邻域聚合 / 语义嵌入模型 / BERT模型