基于CBAM-GNN高特征向量提取的工业软件安全漏洞检测

摘要

现有深度学习技术在漏洞检测任务中具有一定缺陷，例如常常因未充分保留代码的完整信息而导致检测效果不佳。基于此，提出了一种基于改进图神经网络的漏洞检测方法，旨在全面提升漏洞检测的效率和精度。首先将源代码数据转换成文本信息，然后在传统的图神经网络中加入卷积注意力机制提高特征向量的敏感度，最终搭建了漏洞检测模型并对其性能进行了测试。研究结果表明，所提出的漏洞检测模型在训练集和验证集中分别能取得98.25%和98.69%的平均检测精度，其均方误差低至1.15。在实际应用中，该模型的误报率和漏报率分别低至0.01%和0.03%。由此可见所搭建的漏洞检测模型具有较好的检测性能，能够有效完成漏洞检测任务。

关键词

漏洞数据 / GNN / 图结构 / 检测 / 软件安全