Mar, 2024

一个为所有人所用的，所有人为一个：基于 GNN 的嵌入式设备控制流认证

PDF
TL;DR我们介绍了一种新颖的轻量级 CFA 方法 RAGE，用于嵌入式设备中，它能够检测代码重用攻击，包括控制和非控制数据攻击，并通过使用无监督图神经网络来识别对正常执行的偏离，而无需完整的控制流图。通过在嵌入式基准测试和 OpenSSL 上进行评估，我们证明了 RAGE 的有效性。
发现论文，激发创造
  • 动态神经控制流执行：基于代理的深度均衡方法用于二进制漏洞检测

    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

  • 利用机器学习控制流程图进行恶意软件分析的综述

    通过对控制流图的特征提取和分类，以机器学习为基础的方法成为检测恶意软件的有前途的技术之一。本篇论文综述了不同的 CFG 特征提取方式、不同的 ML 算法以及存在的挑战和限制，同时提出了一些解决方案和未来研究的方向。

    May, 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

  • 面部反欺诈的几何时间动态研究

    本文提出了一种基于密集人脸标记的几何感知交互网络（GAIN）来区分正常和异常 Movements，通过与现有方法结合，显著提高了性能，该方法在标准的内部和跨数据集评估中取得了最先进的性能，在 CASIA-SURF 3DMask 上超越了最先进的方法，在跨数据集和跨类型协议下表现出强大的稳健性。

    Jun, 2023

  • DeepDFA: 基于数据流分析的高效图学习用于漏洞检测

    本文提出了一种深度学习与程序数据流分析相结合的漏洞检测框架 ——DeepDFA，该框架基于程序语义特征和图学习技术来检测漏洞，可以在短时间内训练出高效、精准的漏洞检测模型，与其他模型相结合可以提高漏洞检测的性能。

    Dec, 2022

  • GCA-Net：利用门控上下文注意力提升图像篡改定位和检测效果

    本论文提出一种新颖的门控上下文注意网络（GCA-Net），使用非局部注意机制和门控机制捕捉图像不一致特征，以更好地识别图像中伪造的区域。经过标准图像取证测试，该方法相对于最先进的网络平均值提高了 4.7% 的 AUC，并且对归因具有鲁棒性，并且对误报具有抗性。

    Dec, 2021

  • RADAR: 运行时敌对权重攻击检测与准确性恢复

    本文提出 RADAR 方法，通过将权重组织成组，采用校验和算法从各组中提取 2 位签名，在推理阶段计算和金标准签名进行比较，以检测和恢复神经网络权重的渐进位反转攻击并减弱其损失，其符合实时攻击检测并具有极低的时间和存储开销。

    Jan, 2021

  • 一种基于强化学习的数据流粗粒度可重构阵列应用映射方法

    该论文介绍了使用增强学习和全局图注意力模块来优化 SDF 图到流式引擎上的映射问题，并通过掩码技术提高奖励函数得分，取得了 10% 更好的指令调度结果。

    May, 2022

  • 带有监督对比正则化的公平图神经网络

    我们提出了一种用于训练关注公平性的图神经网络的新模型，该模型通过整合监督对比损失和环境损失来提高准确性和公平性，实验证明该模型在三个真实数据集上优于其他现有的基于图的学习方法以及之前的模型。

    Apr, 2024

  • 图形异常检测的去噪扩充反事实数据

    通过引入图指针神经网络作为异质节点检测器，将一部分异常节点的邻居转化为异常节点，并将这些转化后的邻居与原始异常节点进行邻域聚合，从而提高异常节点的区分度和检测性能。

    Jul, 2024