基于多通道图神经网络和CNN-BiLSTM的漏洞检测方法

摘要

针对当前基于深度学习的漏洞检测方法大多仅考虑代码序列语义或代码结构语义的问题，本文提出了基于多通道图神经网络（MCGNN）和卷积神经网络-双向长短期记忆网络（CNNBiLSTM）的漏洞检测模型MCGCBVul。该方法通过中心性分析将代码属性图的节点特征矩阵扩展为多通道的类图像矩阵，并使用图注意力网络（GATv2）和二维卷积神经网络（2D-CNN）提取图结构特征；同时，采用双尺度一维卷积神经网络（1D-CNN）以及双向长短期记忆网络（BiLSTM）提取序列特征；最终将图特征和序列特征进行特征融合，以达到更好的漏洞检测性能。结果表明，MCGCBVul在F1得分、准确率等多项指标上优于其他6种对比模型，FEMPeg+Qemu和Reveal这两个数据集的准确率分别达到了63.952%和92.007%。此外，本文通过消融实验进一步证明了模型各模块改进的有效性。

关键词

漏洞检测 / 图神经网络 / 特征融合 / 中心性分析 / 深度学习

基金资助

上海市2024年度“科技创新行动计划”资助（24BC3200500,24BC3200300）