CS-GNN:用于真实世界漏洞检测的类敏感图神经网络

摘要

针对当前大多数基于深度学习的漏洞检测方法在应用于工业5.0系统中检测不平衡的真实世界的漏洞时，受到程序代码流程信息利用不足的限制，导致误报率很高的问题，提出了类敏感图神经网络(class-sensitive graph neural network, CS-GNN),一种新型的函数级真实世界漏洞检测方法。该方法基于代码属性图(code property graph, CPG)和异构图Transformer(heterogeneous graph transformer, HGT),有效提升了漏洞检测的能力和可靠性，以保护消费者数字生态系统的安全。HGT用于接收和学习代码生成的CPG上丰富的语义信息和语句间的关联信息，可以很好地学习到漏洞代码的相关特征。此外，还添加了一个新型的卷积池化模块，用于更好地进行样本特征区分。实验结果表明，CS-GNN实现了更好的检测准确度、精确度、召回率和F1得分，在同样的数据集上，将最先进的基于深度学习的方法提高了13.21%～153.75%。

关键词

工业5.0 / 消费者数字生态系统 / 漏洞检测 / 图神经网络 / 异构图