DeepClap：一种基于残差对齐网络的漏洞跨模态搜索方法

摘要

针对跨架构二进制代码表示学习中编译器优化、架构差异及代码混淆导致的性能瓶颈问题，以及二进制漏洞数据稀缺对检测模型发展的限制，提出DeepClap框架。该框架通过本地部署量化DeepSeek模型生成代码解释，设计轻量级残差对齐网络降低训练成本并提高表示质量，构建基于自然语言桥梁的漏洞跨模态检测方法，将目标二进制代码关联至源代码漏洞数据集缓解数据稀缺。实验结果表明：在二进制代码相似性分析任务中，该框架使基础模型的受试者工作特征曲线下面积（AUC）最高提升14.8个百分点；在零样本评估中，基础模型准确率最高提升7.1个百分点；在跨模态漏洞搜索任务中达到平均倒数排名（MRR）0.76与召回率@1(Recall@1)0.73。研究表明，该方法有效改善了跨架构条件下的代码表示质量与漏洞检测能力，在数据稀缺和零样本场景中具有显著优势。

关键词

二进制分析 / 残差对齐 / 跨模态学习 / 漏洞检测 / 大语言模型