基于图层级异构图注意力网络的JavaScript恶意代码检测

JavaScript malicious code detection based on graph level heterogeneous graph attention network

摘要

针对传统抽象语法树的检测方法忽略了数据依赖关系、节点属性信息等相关问题，提出了一种基于图层级异构图注意力网络的JavaScript恶意代码检测方法。构建基于抽象语法树的异构图提取框架，建模表征JS恶意代码的空间结构和复杂的数据依赖关系，获取JS文本语义信息，丰富异构图节点属性特征；构建节点属性结合模块，融合节点多个属性特征，丰富语义表达；最后，改进异构图注意力网络结构，添加全局求和池化层，增强整个图的表征能力。实验结果表明：本文提出的方法在真实JS数据集上准确率达99.2%以上，其他检测指标都有显著提升。

Abstract

Aiming at the traditional abstract syntax tree detection method ignoring the data dependency relationship， node attrib ute information and other related problems， a JavaScript malicious code detection method based on graph-level heterogeneous graph attention network is proposed. A heterogeneous graph extraction framework based on abstract syntax tree is constructed to model and characterize the spatial structure and complex data dependencies of JS malicious code， obtain JS text semantic information， and enrich the attribute features of heterogeneous graph nodes； a node attribute combination module is constructed to fuse multiple attribute features of nodes to enrich the semantic expression； finally， the structure of the heterogeneous graph attention network is improved， and a global summation pooling layer is added to enhance the characterization of the whole graph. capability. The experimental results show that the proposed method in this paper has an accuracy of more than 99.2% on the real JS dataset， and all other detection indexes are significantly improved.

Graphical abstract

关键词

恶意代码检测 / JavaScript脚本 / 异构图 / 图嵌入 / 图神经网络

Key words

malicious code detection / JavaScript script / heterogeneous graphs / graph embedding / graph neural networks

0 引 言

JavaScript（JS）恶意代码成为当前攻击网站的主要手段之一，常见JS恶意代码主要包括Drive-by-Download^［1］、堆喷射^［2］、URL重定向^［3］、XSS跨站脚本攻击^［4］、Cookie篡改、函数劫持、DOM劫持、多媒体攻击等攻击类型。通常用户在不知情下访问含有恶意代码的网站，JS恶意代码会被浏览器自动执行，导致网站系统和用户数据存在严重的安全问题。所以，研究有效的JS恶意代码检测方法，对网站信息监测、网络空间安全治理是非常必要的。

近几年基于深度学习的方法被广泛应用于JS恶意代码检测领域。杨宇行^［5］提出了一个恶意JS检测模型JSAC，对抽象语法树和控制流图分别使用树结构卷积模型和图结构卷积模型，提取出的特征向量进行合并作为分类检测；Song等^［6］通过构建程序依赖图（PDG），生成语义切片并转为向量，输入到双向长短期记忆（BLSTM）神经网络检测模型中，取得不错的效果；Rozi等^［7］采用深度金字塔卷积神经网络（DPCNN）与循环神经网络结合方式，实现对JS恶意代码的检测；王婷等^［8］基于函数之间嵌套调用关系以及顺序执行关系具有不变性的特点，提出了基于函数调用信息的JS混淆恶意代码的检测方法；陈鹏等^［9］将JS代码字节流通过计算字节转移概率，得到马尔可夫图，使用基于分布式深度学习的模型进行训练和预测；Rozi等^［10］使用图卷积神经网络（GCN）来处理代码的抽象语法树特征，并通过邻域聚合的神经信息传递获得图表示；陈典超等^［11］提出了基于语义分析的恶意JavaScript检测模型，使用DPCNN模型对代码进行检测。

在上述研究中，普遍对JS代码被JS引擎中的解析器（Parser）生成抽象语法树（Abstract Syntax tree，AST）展开研究，把AST当成同构图进行分析，忽略了数据依赖关系、节点属性信息和函数参数或变量值的不同对代码功能的影响。同时，传统异构图注意力网络模型只适用于节点分类任务和链接分类任务，对图分类任务并不理想。针对这些问题，本文提出了一种图层级异构图注意力网络模型（Hierarchical heterogeneous graph attention network model，GHAN），为JS恶意代码检测提供有效解决方案。

1 基于图层级异构图注意力网络的JavaScript恶意代码检测

基于图层级异构图注意力网络的JavaScript恶意代码检测模型训练和检测流程，如图1所示。首先，将JS源码当作文本进行处理，经过分词后，使用词向量化表征模型学习语义信息；其次，将JS源码作为程序代码进行处理，使用相关工具对代码进行解析生成抽象语法树，在此基础上，充分考虑数据依赖关系，生成异构图；最后，将异构图和文本语义信息整合输入到图网络模型中进行训练与检测，实现JS代码的分类检测。

1.1　异构图的构建

1.1.1　异构图定义

定义1 对于图G=(V,E,A,R)由节点集合V和边集合E组成，存在节点类型映射函数\varphi :V\to A和边类型映射函数\phi :E\to R，其中，A和R分别表示节点类型集合和边类型集合，且\left|A\right|+\left|R\right|>\mathrm{2}。

而同构图则是\left|A\right|=\mathrm{1}且\left|R\right|=\mathrm{1}，相比于同构图，异构图中节点类型和边的类型更加丰富，能够更加全面地表达实体间的复杂关系。本文基于异构图展开研究，构建的异构图中包含语法类型节点和数据类型节点两种，图中边类型分为语法流类型边和数据流类型边。

1.1.2　数据定义使用关系

数据定义使用关系是指变量何时被定义和被使用。通过数值流分析得出程序变量的定义使用关系，得到数据定义使用图，称为数据流图^［12］。本文构建图中数据类节点N_i到语法类型节点M_j存在的边代表数据类节点N_i在M_j处被使用。

数据流图可以表征变量是如何被定义，如何被后续代码所使用，考虑参数值和变量信息为检测恶意代码特征提供更加细粒度的信息。

1.1.3　抽象语法树提取方法

抽象语法树是JS源代码在经过JS引擎解析后生成的抽象语法表示，不仅能准确反映代码的语法和逻辑结构，而且保留了代码的语义信息。转换过程如图2所示。

本文基于Node.js运行时环境，使用Esprima.js工具将JS代码解析为抽象语法树。Esprima.js能够解析JS源码生成69种不同类型的词法单元。下面列举一段JS代码经过Esprima.js解析后生成的抽象语法树示例，如图3所示。

上述所生成的抽象语法树可看作为一个同构图，Rozi等^［10］基于此AST同构图输入到图卷积神经网络模型中进行训练，虽然AST保留了源代码的结构信息，但不包含控件依赖项和数据依赖项^［6］。同时，在Esprima.js工具实际解析过程中还会生成节点的其他属性信息（如变量名、常量值、形参实参等），在上述图中均得不到体现。考虑参数值或常量值对代码功能的影响是非常必要的，如图3中\mathrm{v}\mathrm{a}\mathrm{r}a=\mathrm{1};和\mathrm{v}\mathrm{a}\mathrm{r}b=\mathrm{1};对应的抽象语法树子图结构相同，但两者的语义信息不同。同理，在函数调用中，函数体被解析后的AST相同，但调用函数时传入的实参不同，其行为性质也会不同。所以，需要对AST进行重构，构建包含更多信息的异构图。

1.1.4　基于AST的异构图构建方法

本文深入分析Esprima.js工具生成的JSON格式数据，通过解析变量名与常量值的映射关系，创建数据类型节点，完善数据流向信息，完成异构图构建工作。上述异构图示例如图4所示。

1.2　文本语义表征模型

在计算机中用来表示图的邻接矩阵一般是稀疏且高维度的，对这些矩阵进行直接运算代价极大，包含大量的无效计算^［13］。为提高运算效率，丰富节点信息，充分考虑异构图多属性信息，本文将JS源代码当作文本进行分词处理。使用Word2Vec模型进行词语向量化表征，包含文本级上下文语义信息，解决属性编码问题，后续使用节点属性级注意力机制完成多属性特征的融合，丰富节点特征表达。

Word2Vec分为两种模型：CBOW（Continuous bag-of-words model）模型和Skip-gram （Continuous skip-gram model）模型。前者使用上下文来预测当前值，后者使用当前值来预测上下文。模型结构如图5所示。

使用Jieba分词工具将JS源代码进行分词后，使用Word2Vec模型进行训练，获取词的向量表示。

1.3　图层级异构图注意力模型构建

近几年，不同领域在对异构图研究中，通常使用异构图注意力网络（Heterogeneous graph attention network，HAN）基于元路径^［14］的思想对不同类型的节点进行学习，如文献［15］。然而，传统的异构图注意力网络模型通常适用于节点分类和链路分类任务中，并未完全适用于图分类任务。为了增强对整个图的表征能力，本文对原始模型进行改进，提出了图层级异构图注意力网络GHAN。

在图神经网络模型中，如果使用过多的层数，容易造成过度平滑^［16］问题，结合文献［17］方案，本文选用3个HANLayer模块进行表征学习，具体模型结构如图6所示。

GHAN模型主要由3个模块构成，分别为异构图节点表征模块（NN-1）、3个HANLayer模块（NN-2）和1个预测输出模块（NN-3）。

1.3.1　异构图节点表征模块

异构图节点表征网络结构如图7所示。异构图中不同的节点类型包含不同的属性信息，针对节点的不同属性，采用不同的编码方式。由于语法单元类型总数固定且维度空间不大，采用独热编码的方式最为合适。对于位置范围信息和其他取值范围固定的属性采用标签编码方式。变量名称、属性值、注释信息等与源代码存在一定的关联性，所以本文基于文本使用Word2Vec模型进行表征。之后，分别经过多层全连接网络，获得统一长度的特征向量。

针对一个节点的不同属性信息，传统方法通常是将不同的属性特征拼接，或利用转换矩阵将其映射到同一向量空间，但是单一的线性转换无法反映出节点属性间存在的联系。孟祥福等^［18］在节点属性的研究中使用双向长短期记忆模型（bidirectional long short-term memory networks， Bi-LSTM）挖掘不同节点的属性间的深层关联关系，并将其映射到同一向量空间。Bi-LSTM模型通常用于处理序列化数据，捕获时间或顺序上的依赖关系。然而，节点的不同属性信息之间并不存在时间或顺序上的依赖关系，Bi-LSTM模型并不适合抽象语法树的节点属性合并。所以，本文构建属性级注意力机制得到节点特征向量。具体步骤如下：

首先，对于一个节点的多个属性特征向量，通过线性变换将其映射到相同的维度空间中：

h_i^{\mathrm{\text{'}}}=W_i{h}_i+b_i,i\in \{\mathrm{1,2},\cdots ,n\}（1）

式中：W_i为线性变换矩阵；b_i为偏置向量；h_i^{\mathrm{\text{'}}}为变换后的特征向量。

然后，使用注意力机制学习向量中不同维度的权重，每个维度上的注意力加权组合表示为：

h={\displaystyle \sum _{i=\mathrm{1}}^n}{a}_i{h}_i^{\mathrm{\text{'}}}（2）

式中：h为所求节点特征向量；a_i为注意力权重。

a_i=\frac{\mathrm{e}\mathrm{x}\mathrm{p}(f(h_i^{\mathrm{\text{'}}}))}{{\displaystyle \sum _{j=\mathrm{1}}^n}\mathrm{e}\mathrm{x}\mathrm{p}(f(h_j^{\mathrm{\text{'}}}))}（3）

在损失函数设计上，本文选用文献［19］中在属性特征补全中使用的欧几里得距离为度量，修改后的损失函数公式如下：

L_{\mathrm{c}\mathrm{o}\mathrm{m}\mathrm{p}\mathrm{l}\mathrm{e}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}=\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}\sqrt[]{{\displaystyle \sum _{j=\mathrm{1}}^m}(z_i-h_{i,j}{)}^{\mathrm{2}}}（4）

1.3.2　HANLayer模块

HANLayer模块网络结构如图8所示，HANLayer模块本质上就是异构图注意力网络，将异构图根据元路径划分为多个子图，不同元路径的节点级注意力更新子图节点特征，语义级注意力学习不同元路径之间的节点特征，进而完成异构图中节点特征向量更新学习工作。节点更新过程如图9所示。

首先，节点基于不同元路径整合邻居节点特征，通过注意力机制整合不同元路径上该节点特征作为最终的节点特征。具体节点级注意力机制和语义级注意力机制设计如下：

（1）节点级注意力

节点级注意力通过元路径对异构图中的邻居节点分配不同的权值，实现节点聚合形成新的节点嵌入，使得节点能学习到邻居节点的特征。

通过上一个步骤所得异构图中不同类型的节点已经映射到相同维度特征空间中。针对不同的元路径，分别通过自注意力机制学习各类节点的权重，基于元路径\Phi的节点对(i,j)的重要性如下所示：

e_{ij}^{\Phi }=at{t}_{\mathrm{n}\mathrm{o}\mathrm{d}\mathrm{e}}(h_i^{\mathrm{\text{'}}},h_j^{\mathrm{\text{'}}},\Phi )（5）

式中：\Phi为本文定义的\{M_{\mathrm{1}},M_{\mathrm{2}},M_{\mathrm{3}},M_{\mathrm{4}}\}中的X种类型的元路径；h_i^{\mathrm{\text{'}}}和h_j^{\mathrm{\text{'}}}分别为节点i和节点j经过投影变换后统一空间的特征；e_{ij}^{\Phi }为元路径\Phi下节点j对节点i的注意力；at{t}_{\mathrm{n}\mathrm{o}\mathrm{d}\mathrm{e}}为统一路径下节点共享的一个节点级注意力神经网络。

然后，对中心节点和邻居节点之间的重要性进行计算，求得注意力系数，使用softmax函数完成归一化操作。

a_{ij}^{\Phi }=\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}{\mathrm{x}}_j(e_{ij}^{\Phi })=\frac{\mathrm{e}\mathrm{x}\mathrm{p}(\sigma ({\mathit{a}}_{\Phi }^{\mathrm{T}}·[h_i^{\mathrm{\text{'}}}||h_j^{\mathrm{\text{'}}}]))}{\sum _{k\in N_i^{\Phi }}\mathrm{e}\mathrm{x}\mathrm{p}(\sigma ({\mathit{a}}_{\Phi }^{\mathrm{T}}·[h_i^{\mathrm{\text{'}}}||h_k^{\mathrm{\text{'}}}]))}（6）

式中：{\mathit{a}}_{\Phi }^{\mathrm{T}}为一个节点级注意力向量；||为向量拼接操作。

最后，使用注意力系数加权聚合邻居节点的特征，学习得到基于元路径\Phi的邻居特征聚合如下：

Z_i^{\Phi }=\sigma (\sum _{j\in N_i^{\Phi }}{a}_{ij}^{\Phi }·h_j^{\mathrm{\text{'}}})（7）

式中：Z_i^{\Phi }为最后节点i在元路径\Phi下学到的嵌入。

给定元路径集合｛{\Phi }_{\mathrm{0}}，{\Phi }_{\mathrm{1}}，…，{\Phi }_p｝，由节点级注意力得到p组在当前语义下的节点嵌入｛Z_{{\Phi }_{\mathrm{0}}}，Z_{{\Phi }_{\mathrm{1}}}，…，Z_{{\Phi }_p}｝。

（2）语义级注意力

不同的元路径包含不同的语义信息，为了综合不同元路径下的语义信息，得到全面的节点嵌入，需要构建语义级注意力。语义级注意力的输入就是节点级注意力的p组输出\{Z_{{\Phi }_{\mathrm{0}}},Z_{{\Phi }_{\mathrm{1}}},\cdots ,Z_{{\Phi }_p}\}，at{t}_{\mathrm{s}\mathrm{e}\mathrm{m}}表示语义级注意力神经网络。

({\beta }_{{\Phi }_{\mathrm{0}}},{\beta }_{{\Phi }_{\mathrm{1}}},\cdots ,{\beta }_{{\Phi }_p})=at{t}_{\mathrm{s}\mathrm{e}\mathrm{m}}(Z_{{\Phi }_{\mathrm{0}}},Z_{{\Phi }_{\mathrm{1}}},\cdots ,Z_{{\Phi }_p})（8）

通过非线性变化得到特定语义的嵌入，然后利用语义级注意力向量 q 转换嵌入相似度，从而学到每个元路径的重要性。

w_{{\Phi }_i}=\frac{\mathrm{1}}{|v|}\sum _{i\in v}{\mathit{q}}^T·tanh(\mathit{W}·Z_i^{\Phi }+b)（9）

式中： W 为权重矩阵；b为偏置项。

使用softmax函数对每个元路径的重要性进行归一化处理，最后融合不同元路径得到语义级的节点嵌入。

{\beta }_{{\Phi }_i}=\frac{\mathrm{e}\mathrm{x}\mathrm{p}(w_{{\Phi }_i})}{{\displaystyle \sum _{i=\mathrm{1}}^p}\mathrm{e}\mathrm{x}\mathrm{p}(w_{{\Phi }_i})}（10）

Z={\displaystyle \sum _{i=\mathrm{1}}^p}{\beta }_{{\Phi }_i}·Z_{{\Phi }_i}（11）

1.3.3　预测输出模块

预测输出模块获取每个HANLayer层的输出异构图，分别经过全局求和池化层，捕获不同层次信息，避免模型过拟合现象，提高模型的稳定性。最后，使用一个全连接层进行分类预测输出。模型结构如图10所示。

每一层更新后的节点向量图，针对不同的节点类型进行嵌入求和，拼接得到图嵌入h_G：

h_G={\displaystyle \sum _{i=\mathrm{0}}^N}{h}_{\mathrm{0}i}||\cdots ||{\displaystyle \sum _{j=\mathrm{0}}^M}{h}_{zj}（12）

式中：z为节点类别。

为了考虑所有的结构信息及每层的嵌入，将每层产生的节点嵌入求和后串联到一起，得到全局图嵌入向量表示，再输入到全连接层完成分类任务。

h_G=h_G^{\mathrm{0}}||\cdots ||h_G^k（13）

1.3.4　损失函数

本文使用交叉熵损失函数来衡量模型预测的类概率分布与实际类别之间的差异，公式如下：

L_{\mathrm{c}\mathrm{l}\mathrm{a}\mathrm{s}\mathrm{s}\mathrm{i}\mathrm{f}\mathrm{i}\mathrm{c}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}=-\frac{\mathrm{1}}{N}{\displaystyle \sum _{i=\mathrm{1}}^N}{\displaystyle \sum _{c=\mathrm{1}}^C}{y}_{i,c}\mathrm{l}\mathrm{o}\mathrm{g}(p_{i,c})（14）

式中：N为样本数量；C为类别数量；y_{i,c}为样本i在类别c的真实标签值；p_{i,c}为模型预测样本i属于类别C的概率。

将L_{\mathrm{c}\mathrm{o}\mathrm{m}\mathrm{p}\mathrm{l}\mathrm{e}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}与L_{\mathrm{c}\mathrm{l}\mathrm{a}\mathrm{s}\mathrm{s}\mathrm{i}\mathrm{f}\mathrm{i}\mathrm{c}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}通过一个权重参数\lambda进行结合，结合后的总体损失函数公式为：

L_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}=\lambda L_{\mathrm{c}\mathrm{l}\mathrm{a}\mathrm{s}\mathrm{s}\mathrm{i}\mathrm{f}\mathrm{i}\mathrm{c}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}+(\mathrm{1}-\lambda )L_{\mathrm{c}\mathrm{o}\mathrm{m}\mathrm{p}\mathrm{l}\mathrm{e}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}（15）

2 实验与分析

2.1　实验数据

本文从Alexa公布的排名网站收集正常样本，从MalwareBazaar、Github、PhishTank等多个平台上获取恶意JS代码样本。实验数据总样本数为9 875个，其中，正常样本4 975个，恶意样本4 900个。按8∶2比例划分为训练集和验证集。

2.2　实验指标

本文的JS恶意代码检测是一个图层级的二分类问题，采用5个广泛使用的指标作为衡量标准，分别为准确率Accuracy，精确率Precision，召回率Recall，F₁分数和AUC值。如下所示：

\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}（16）

\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}（17）

\mathrm{A}\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}（18）

F_{\mathrm{1}}=\frac{\mathrm{2}\times \mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}\times \mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}+\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}（19）

AUC=\frac{{\sum }_{\mathrm{i}\mathrm{n}{\mathrm{s}}_i\in \mathrm{p}\mathrm{o}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{e}\mathrm{c}\mathrm{l}\mathrm{a}\mathrm{s}\mathrm{s}}ran{k}_{\mathrm{i}\mathrm{n}{\mathrm{s}}_i}-\frac{M\times (M+\mathrm{1})}{\mathrm{2}}}{M\times N}（20）

式中：\mathrm{T}\mathrm{P}为真阳性；\mathrm{F}\mathrm{N}为假阴性；\mathrm{F}\mathrm{P}为假阳性；\mathrm{T}\mathrm{N}为真阴性；\mathrm{r}\mathrm{a}\mathrm{n}{\mathrm{k}}_{i\mathrm{n}{\mathrm{s}}_i}为第i条样本的序号（概率得分从小到大排序，第rank个位置）；M\mathrm{、}N分别为正样本的个数和负样本的个数；{\sum }_{\mathrm{i}\mathrm{n}{\mathrm{s}}_i\in \mathrm{p}\mathrm{o}\mathrm{s}\mathrm{i}\mathrm{t}\mathrm{i}\mathrm{v}\mathrm{e}\mathrm{c}\mathrm{l}\mathrm{a}\mathrm{s}\mathrm{s}}为正样本序号的相加。

2.3　实验设计与结果分析

2.3.1　同构图与异构图对比

实验使用两个同构图模型GCN、GAT和本文异构图模型GHAN进行对比，模型均采用相同的三层结构，都包含全局求和池化层。其中，隐藏层神经元个数为64，GAT和GHAN中的注意力头数为8。两个同构图模型仅包含语法类型节点，仅考虑语法单元信息，采用独热编码方式初始化节点特征向量。异构图模型中语法类型节点向量也采用独热编码方式，数据类型节点向量选用异构图嵌入算法metapath2vec^［20］补全属性。实验结果如表1所示。

实验结果可知，GHAN模型相比GCN和GAT模型在准确率上分别提高了2.0%和1.2%，精确率上提高了3.5%和2.6%，F₁分数上提高了1.9%和1.2%。可见，异构图包含数据依赖关系，不同节点类型的信息，能够表征更丰富且复杂的内容，相比同构图实验效果更好。

2.3.2　图嵌入表征算法对比

异构图中不同的节点包含不同的属性信息，对于本文的基于抽象语法树的异构图而言，语法类型节点和数据类型节点表征方式的不同，对模型检测效果会产生一定影响，通过对比多种常见图嵌入表征算法，验证本文融入文本语义表征方案的可行性和有效性。

下述实验中，前4组实验为同构图比较，针对抽象语法树中的词法单元类型，使用OneHot编码和广度优先遍历后的序列Word2Vec编码进行实验对比。后3组实验为异构图比较，Metapath2vec+GHAN中节点均采用Metapath2vec算法求得，OneHot+Metapath2vec+GHAN中语法类型节点选用OneHot编码，数据类型节点选用Metapath2vec编码。OneHot+Word2Vec+GHAN中语法类型节点选用OneHot编码，数据类型节点使用融入文本语义表征的Word2Vec编码方式。其中，Word2Vec算法向量维度均设置为200，窗口值设置为5，默认使用CBOW算法。实验结果如表2所示。

由前4组实验结果可知，针对语法类型使用OneHot编码比使用Word2Vec编码效果更好。由后3组实验结果可知，OneHot+Word2Vec+GHAN对比另外两种方法实验效果更好，准确率上分别提高了14.3%和0.5%，召回率上提高了9.6%和1.2%，F₁分数上提高了13.7%和0.5%。这是因为Metapath2vec算法已经包含基于元路径的上下文邻居节点的特征，再放入GHAN模型中学习会造成上文所提到的过度平滑问题。可见，本文使用Word2Vec编码方式将源代码文本语义层面信息融入异构图中，丰富了节点表征，实验效果更好。

2.3.3　消融实验

上述OneHot+Word2Vec+GHAN模型虽然融入了文本语义表征，但没有考虑节点的多个属性特征。为验证节点属性级注意力机制的有效性，将对比OneHot+Word2Vec+GHAN和本文方法的消融实验。实验结果如表3所示。

由实验结果可知，使用节点属性结合算法比未使用的实验结果更好，准确率提高了0.05%， 精确率提高了0.3%，F₁分数和AUC值也有提高。可见，本文方法通过注意力机制融合了节点多个属性特征，进一步提升了节点的信息表征能力。

2.3.4　与其他模型对比

为进一步验证本文模型的有效性，将其与传统机器学习方法和近几年的方法模型进行对比，实验结果如表4所示。

实验结果可知，本文提出的基于图层级异构图注意力网络的JavaScript恶意代码检测方法对比BiLSTM+DPCNN模型，在真实网络数据集下准确率提高了0.81%，精确率提高了0.78%，召回率提高了0.87%，F₁值提高了0.83%。相比于传统的机器学习方法和较新的文献中的检测方法实验结果更优，验证了本文方法的有效性。

3 结束语

针对传统同构图检测JavaScript恶意代码方法存在的不足，本文深入分析抽象语法树特性，采用异构图架构提取复杂的数据依赖关系；融入文本语义信息，考虑节点多属性特征，利用属性级注意力机制进行融合丰富节点表征；采用三层异构图注意力模型，引入全局求和池化层，增强图表征能力，提出了一种基于图层级异构图注意力网络的JavaScript恶意代码检测模型，实现对JS代码的分类检测。通过实验数据分析，本文方法在检测真实网络JS数据集准确率达到99.2%以上，其他指标也有更优表现。后续考虑模型超参数优化工作，提升模型超参数的优化效果。

参考文献

[1] Gupta S, Gupta B B. XSS-SAFE: a server-side approach to detect and mitigate cross-site scripting (xss) attacks in javascript code[J]. Arabian Journal for Science & Engineering, 2016, 41(3): 897-920.

[2] 毛焱颖, 罗森林. 融合多种技术的堆喷射方法研究[J]. 信息网络安全, 2016(6): 48-55.

[3] Mao Yan-ying, Luo Sen-lin. Research on heap spraying method integrating multiple techniques[J]. Information Network Security, 2016(6): 48-55.

[4] 吴森焱,罗熹,王伟平,等.融合多种特征的恶意URL检测方法[J]. 软件学报, 2021, 32(9): 2916-2934.

[5] Wu Sen-yan, Luo Xi, Wang Wei-ping, et al. A malicious url detection method by fusing multiple features[J]. Journal of Software, 2021, 32(9): 2916-2934.

[6] 张露雨. 基于Web渗透测试的XSS漏洞探索与研究[J]. 网络安全技术与应用, 2024(4): 5-8.

[7] Zhang Lu-yu. Exploration and research on XSS vulnerabilities based on web penetration testing[J]. Network Security Technology and Application, 2024(4):5-8.

[8] 杨宇行. 基于深度学习的JavaScript恶意代码检测技术研究与实现[D]. 北京: 北京邮电大学计算机科学与技术学院, 2019.

[9] Yang Yu-xing. Research and implementation of JavaScript malicious code detection technology based on deep learning[D]. Beijing: School of Computer Science and Technology, Beijing University of Posts and Telecommunications, 2019.

[10] Song X, Chen C, Cui B, et al. Malicious javascript detection based on bidirectional LSTM model[J]. Applied Sciences, 2020, 10: 10103440

[11] Rozi M F, Kim S, Ozawa S. Deep neural networks for malicious javascript detection using bytecode sequences[C]∥International Joint Conference on Neural Networks, Glasgow, UK, 2020: 1-8.

[12] 王婷, 牟永敏, 张志华, 等. JavaScript混淆恶意代码检测方法[J]. 计算机仿真, 2021, 38(2): 432-437.

[13] Wang Ting, Mou Yong-min, Zhang Zhi-hua, et al. JavaScript obfuscated malicious code detection method[J]. Computer Simulation, 2021, 38(2): 432-437.

[14] 陈鹏, 韩斌, 洪华军. 基于深度学习和区块链的JavaScript恶意代码检测系统[J]. 计算机系统应用, 2021, 30(5): 99-106.

[15] Chen Peng, Han Bin, Hong Hua-jun. A JavaScript malicious code detection system based on deep learning and blockchain[J]. Computer System Applications, 2021, 30(5): 99-106.

[16] Rozi M F, Ban T, Ozawa S, et al. JStrack: enriching malicious javascript detection based on ast graph analysis and attention mechanism[C]∥Neural Information Processing, Springer, Cham, 2021: 669-680.

[17] 陈典超,王晨. 基于语义分析的恶意JavaScript检测技术[J]. 电子设计工程, 2023, 31(22): 37-41.

[18] Chen Dian-chao, Wang Chen. Malicious JavaScript detection technique based on semantic analysis[J]. Electronic Design Engineering, 2023, 31(22): 37-41.

[19] 陈梓豪, 金大海, 宫云战. 基于漏洞异构图的图卷积网络漏洞检测方法[J].小型微型计算机系统, 2025, 46(3): 697-703.

[20] Chen Zi-hao, Jin Da-hai, Gong Yun-zhan. Vulnerability detection method for graph convolutional networks based on vulnerability heterogeneous graphs[J]. Small Microcomputer Systems, 2025, 46(3): 697-703.

[21] 黄青. 基于异构图嵌入的恶意软件检测[J]. 电子设计工程, 2024, 32(7): 92-96.

[22] Huang Qing. Malware detection based on heterogeneous graph embedding[J]. Electronic Design Engineering,2024,32(7):92-96.

[23] Guan W L, Jiao F K, Song X M, et al. Personalized fashion compatibility modeling via metapath-guided heterogeneous graph learning[C]∥Proceedings of the Proceedings of the 45th International ACM SIGIR Conference on Research and Devel opment in Information Retrieval, New York, USA, 2022: 482-491.

[24] 仲雨乐, 韩普, 许鑫. 基于异构图注意力网络的药物不良反应实体关系联合抽取研究[J]. 现代情报, 2024, 44(9): 71-81.

[25] Zhong Yu-le, Han Pu, Xu Xin. A study on joint extraction of adverse drug reaction entity relations based on heterogeneous graph attention network [J]. Modern Intelligence, 2024, 44(9): 71-81.

[26] Zhu X, Ghahramani Z, Lafferty J D. Semi-supervised learning using gaussian fields and harmonic functions[C]∥Proceedings of the Twentieth International Conference, Washington, USA, 2003: 912-919.

[27] Zhou K, Dong Y, Wang K. Understanding and resolving performance degradation in graph convolutional networks[J]. Arxive Print, 2006, 7: 071070.

[28] 孟祥福, 温晶, 李子函, 等.多重注意力指导下的异构图嵌入方法[J]. 智能系统学报, 2023, 18(4): 688-698.

[29] Meng Xiang-fu, Wen Jing, Li Zi-han, et al. A heterogeneous graph embedding method guided by multiple attention[J]. Journal of Intelligent Systems, 2023,18(4): 688-698.

[30] Jin D, Huo C Y, Liang C D, et al. Heterogeneous graph neural network via attribute completion[C]∥Proceedings of the Web Conference, New York, USA, 2021: 391-400.

[31] Chen Y, Qin B, Ma C, et al. Malware classification based on heterogeneous information network representation learning[C]∥International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering, Fuzhou, China, 2020: 202000018.

[32] 纪育青, 方艳红, 谭顺华, 等. 基于Bi-LSTM模型的恶意JavaScript代码检测方法[J]. 计算机应用与软件, 2024, 41(9): 357-362.

[33] Ji Yu-qing, Fang Yan-hong, Tan Shun-hua, et al. Detection of malicious JavaScript code based on Bi-LSTM model[J]. Computer Applications and Software, 2024, 41(9): 357-362.

基金资助

中国高校产学研创新基金项目(2021ITA02011)

黑龙江省教育科学规划2025年度规划课题(GJB1425352)