本文将深度学习和专家模式相结合，从源代码中提取专家模式，将代码转换成语义图，提取深度图特征，然后将全局图特征和本地专家模式融合以有效检测智能合约安全漏洞，实验证明该系统显著优于现有最先进的方法。

Jun, 2021

本文介绍了 VulnSense 框架，一种基于图形和自然语言处理模型的多模态学习方法，用于高效地检测以太坊智能合约中的漏洞。该框架通过整合源代码、操作码序列和字节码提取的控制流图等三种智能合约特征，运用 Bidirectional Encoder Representations from Transformers (BERT)、Bidirectional Long Short-Term Memory (BiLSTM) 和 Graph Neural Network (GNN) 模型来提取和分析这些特征，最后使用全连接层来预测以太坊智能合约中的漏洞。通过对 3 个数据集（Curated、SolidiFI-Benchmark 和 Smartbugs Wild）组合得到的 1,769 个智能合约进行实验验证，与 GNN、BiLSTM 和 BERT 结构提出的各种单模态和多模态学习技术进行对比，实验证明了我们提出的方法在三类易受攻击智能合约上达到了 77.96% 的平均准确率，超越了现有的单特征或单模型深度学习技术在准确性和效果方面的限制。

Sep, 2023

提出 Devign，基于图表征学习的图层级分类模型，旨在识别软件系统中的漏洞函数，能够有效地训练和提取代码的语义表示特征。经过广泛的数据集评估，结果表明该模型在准确率和 F1 得分上，明显优于现有技术。

Sep, 2019

本文提出了一个用于帮助开发模型的 C/C++ 源代码漏洞数据集 CVEFunctionGraphEmbeddings（CVEFGE），该数据集是从 CVE 数据库中自动爬取的，并且提出了基于图神经网络的学习框架 SEquential Graph Neural Network（SEGNN）来学习大量的代码语义表示。我们的实验结果表明，SEGNN 在图分类设置中的表现优于两个数据集和四种基线方法。

May, 2023

本文提出了一种深度学习多模型混合模型 HyMo 以及 FastText 词嵌入技术，并使用各种深度学习模型获取特征来检测智能合约漏洞，与其他方法相比表现更好，从而提高了智能合约漏洞的检测性能。

Apr, 2023

本研究提出了一种新的深度学习框架 LineVD，通过图神经网络和基于 Transformer 的模型识别程序的特定代码行，取得了 105％的 F1 得分提高，扩展了现有方法在软件漏洞检测方面的应用。

Mar, 2022

该研究比较了不同类型图神经网络模型在以太坊交易网络数据和钓鱼标签数据上的性能表现，结果表明异构模型的表现优于同构模型，尤其是 RGCN 模型在整体指标上表现最好。

Mar, 2022

提出了一种结合 RoBERTa 模型和 GCN 模型的关于代码漏洞检测的多任务分类器，该模型采用了一个语义性漏洞图来降低偏差，并通过结合 Focal Loss 目标函数降低数据集不平衡的影响。在多个数据集的测试中，该模型表现优异，能够在最好的情况下提高 2.41% 和 18.75% 的检测效果，并且在针对知名 Github 代码库的 N-day 程序样本的测试中表现出 93% 的准确率，能够检测出 4 种零日漏洞。

Apr, 2023

通过使用深度学习方法，提出了一种基于代理的隐式神经网络 DeepEXE, 以模拟程序的执行路径并通过强化学习增强每个程序状态的分支决策，从而学习漏洞与特定程序状态之间的依赖关系，通过实验证明 DeepEXE 是一种准确和高效的方法，优于现有漏洞检测方法。

Apr, 2024

我们提出了一种基于关注机制的新框架 Vignat，用于通过学习代码的语义表示来识别漏洞，结果表明 Vignat 能够在可靠的数据集上实现 57.38% 的准确率，并且图注意力网络提供有价值的漏洞模式洞察。

Oct, 2023