Oct, 2023

Vignat：通过图注意力网络学习代码语义进行漏洞识别

PDF
TL;DR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。
vulnerability identificationsoftware systemscyber-securityattention-based frameworkvulnerability detection
发现论文，激发创造
  • Devign：基于图神经网络学习全面程序语义的有效漏洞识别

    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

  • 具有语义漏洞图的无偏 Transformer 源代码学习

    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

  • 用于源代码漏洞识别的顺序图神经网络

    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

  • 使用图神经网络进行语句级漏洞检测 (LineVD)

    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

  • XGV-BERT：基于上下文化语言模型和图神经网络的高效软件漏洞检测

    我们提出了一种名为 XGV-BERT 的框架，结合预训练的 CodeBERT 模型和图神经网络（GCN）来检测软件漏洞，通过联合训练 CodeBERT 和 GCN 模块，该模型利用大规模预训练、通过图卷积学习训练数据的表示，其研究结果表明与 VulDeePecker 和 SySeVR 等现有方法相比，XGV-BERT 方法显著提高了漏洞检测的准确性。

    Sep, 2023

  • 图注意力网络

    本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

    Oct, 2017

  • ViGAT: 基于分解图注意力网络的视频自底向上事件识别和解释

    本文提出了一种纯自注意力自下而上的 ViGAT 方法，该方法将一个物体检测器和 Vision Transformer（ViT）骨架网络结合起来，以推导出视频中的物体和框架特征，然后通过一个头网络处理这些特征以完成事件识别和解释任务。

    Jul, 2022

  • 将图神经网络与专家知识相结合，用于智能合约漏洞检测

    使用图神经网络和专家知识探索智能合约漏洞检测，通过将源代码的控制和数据流语义转换为合同图，然后结合深度神经网络和专家模式检测三种漏洞（再入、时间戳依赖和无限循环漏洞），在以太坊和 VNT Chain 平台上取得了显着的精度提高。

    Jul, 2021

  • 学习使用图形来表示程序

    本文介绍了如何使用图表示代码的句法和语义结构，并使用基于图的深度学习方法来学习对程序结构进行推理的方法。作者在两个任务上对该方法进行了评估：VarNaming 和 VarMisuse，结果表明使用已知结构的建模方法具有优势，并且可以在许多情况下学习推理有意义的变量名和解决 VarMisuse 任务，并且 VarMisuse 还可以发现成熟开源项目中的错误。

    Nov, 2017

  • SEM-GAT：使用学习到的图注意力进行可解释的语义姿态估计

    本文提出了一种基于 GNN 的方法，利用语义和局部几何形状来指导可靠点云注册候选项的识别，语义和形态特征作为注册的关键参考点，实现精确的激光雷达姿态估计，我们的轻量级静态图结构通过识别语义实例关系，作为一种归纳偏见，显著减少了点云注册的计算负担，通过连接候选节点和利用跨图的关注机制，我们为所有潜在的注册对应关系计算置信度得分，估计点云扫描之间的位移，我们的流程通过将模型与环境中的局部结构的个体贡献相关联，使模型的性能进行内省分析，提供有价值的系统行为洞察。我们在 KITTI 测距数据集上测试我们的方法，相较于基准方法，实现了竞争性的准确度和更高的轨迹平滑度，同时依赖 significantly fewer network parameters。

    Aug, 2023