《Engineering Applications of Artificial Intelligence》:Modeling function-level relationships for vulnerability detection in graph neural networks
编辑推荐:
本文聚焦于当前基于AI的软件漏洞检测(SVD)模型普遍存在的局限性:将源代码函数视为孤立单元进行分析,忽略了函数间的相互依赖关系,从而导致跨函数边界的安全风险传播模式难以被捕捉。为此,研究团队提出了一种名为SCVdet的新方法,该方法基于图注意力网络(GAT),并创新性地通过聚类技术近似构建函数级依赖图,将全局项目级分析与局部代码语义分析相结合。实验在多语言数据集上验证了该方法的有效性,在函数级和语句级漏洞检测的F1分数上最高分别提升了16%和7%。这项研究为提升AI模型在复杂软件系统中的漏洞感知与传播路径识别能力提供了新思路。
在数字化浪潮席卷全球的今天,软件已渗透到社会生活的方方面面,但随之而来的安全威胁也日益严峻。从数据泄露、网络攻击到经济勒索,软件漏洞为恶意行为者提供了可乘之机,对软件安全乃至整个软件供应链构成了巨大威胁。因此,开发强大且可扩展的软件漏洞检测技术,已成为学术界和工业界亟待攻克的关键挑战。近年来,随着人工智能技术的飞速发展,数据驱动的漏洞检测方法崭露头角,它们通过在海量的历史漏洞数据上训练机器学习、深度学习乃至大语言模型,赋予机器“嗅探”代码中潜在弱点的能力。在众多AI方法中,能够将源代码表示为图结构以更好捕捉其结构特性的图神经网络(Graph Neural Networks, GNNs)模型,尤其在细粒度的语句级漏洞检测任务中展现出了卓越的性能。
然而,尽管现有方法取得了显著进展,一个根本性的局限依然存在:大多数模型将源代码的每个函数视为独立的“信息孤岛”进行处理,忽略了函数之间通过调用或数据流产生的相互依赖关系。这种处理方式,好比医生只检查单个器官而忽略了人体各系统间的关联,很可能错过由依赖关系导致的漏洞传播。例如,一个本身被标记为安全的函数,如果其内部调用了另一个存在漏洞的函数,那么该安全函数实际上也可能继承了安全风险。现有模型由于缺乏对这类跨函数交互的建模能力,极易在此类场景下发生误判。文档中的实证数据也揭示了这一问题的普遍性:在QEMU和FFmpeg数据集中,分别有大量(1266个和664个)的漏洞函数被非漏洞函数所调用。这表明,构建能够感知并利用函数间依赖关系的检测模型,对于捕捉真实的漏洞传播模式、提升检测精度至关重要。
为了突破这一瓶颈,来自意大利特伦托大学信息工程与计算机科学系的研究团队在《Engineering Applications of Artificial Intelligence》期刊上发表了一项创新性研究。他们提出了一种名为SCVdet的新型漏洞检测方法。该方法的核心思想是,在利用图注意力网络进行代码分析时,不仅要关注函数内部的局部语义(即代码行之间的关系),还要整合跨函数的全局依赖信息。研究人员巧妙地设计了一种基于聚类(使用DBSCAN算法)的近似策略,来构建项目级的函数间依赖图,而无需进行成本高昂且可能不完整的静态调用图分析。通过将学习到的函数嵌入向量进行聚类,语义和结构上相似(因此可能具有调用或依赖关系)的函数被关联在一起,从而形成一个刻画了项目内函数关系的更高层级的图。SCVdet模型随后采用两种策略(拼接和注意力机制)来融合这种全局的依赖信息与函数内部的局部代码图信息,从而实现了对漏洞传播模式的动态建模。
为了验证SCVdet的有效性,研究团队在四个多语言开源数据集上进行了广泛的实验,这些数据集覆盖了C/C++、Java和Python等主流编程语言,并包含了从近乎平衡到高度不平衡的不同数据分布。实验结果表明,无论是在函数级别还是更细粒度的代码行(语句)级别,SCVdet模型在精准率、召回率和F1分数等关键指标上,均一致且显著地超越了现有的基于序列和基于图的基准模型。其中,在函数级检测任务中取得了最高16%的F1分数提升,在语句级任务中取得了最高7%的提升。这一结果强有力地证明了,将近似构建的函数级依赖信息整合到图神经网络的训练过程中,能够有效增强模型对复杂软件结构的理解能力和对长距离依赖关系的建模能力,从而显著提高漏洞检测的准确性,同时保持了模型在处理大规模代码库时的可扩展性。
本研究在技术方法上主要依托几个关键环节。首先是图数据提取,利用Joern工具对源代码进行解析,生成包含抽象语法树、控制流图、数据依赖图等信息的代码属性图,为后续的图学习提供结构化数据基础。其次是图特征生成,研究比较了多种代码嵌入技术(包括经典的Word2Vec、句子级别的Sentence-BERT以及专门面向代码的预训练模型CodeBERT)将代码文本转化为向量表示的效果。第三是核心的依赖图构建,通过GraphSAGE等图嵌入算法获取每个函数图的向量表示,再使用DBSCAN聚类算法在函数嵌入空间中发现语义相似的函数簇,进而在簇内基于相似度阈值构建边,从而近似得到项目级的函数间依赖图。最后是源代码分类,设计了一个双路径的图注意力网络架构,分别处理语句级和函数级特征,并通过注意力或拼接机制将前述构建的全局依赖图信息注入到网络的学习过程中,最终由多层感知机完成漏洞的二分类预测。
研究结果部分揭示了不同技术选择对模型性能的影响以及SCVdet的优越性:
- •
不同代码嵌入技术的比较:实验发现,在不同数据集上,CodeBERT、Sentence-BERT和Word2Vec这三种嵌入模型的表现存在差异。总体而言,基于Transformer架构的预训练模型(CodeBERT和Sentence-BERT)通常能提供更具区分度的节点表示,尤其在处理语义复杂的代码时优势更明显。
- •
函数级依赖信息融合策略的评估:研究对比了“拼接”和“注意力”两种将全局依赖信息融入GAT层的策略。结果显示,注意力机制在大多数情况下能带来更优的性能,因为它允许模型动态地权衡全局上下文与局部特征的重要性,实现了更灵活的信息融合。
- •
与基线模型的性能对比:在四个数据集上,SCVdet在函数级和语句级漏洞检测任务中,其F1分数均显著优于VulBG、AMPLE、ASTGRU、JLineVD等先进的基线模型。这证实了集成函数级依赖关系对于提升检测性能的有效性。
- •
消融实验分析:通过移除非关键组件(如随机特征、特定的损失函数项)进行的消融实验表明,SCVdet的完整设计是必要的。特别是,条件节点分类损失与熵正则化项的组合,有效缓解了类别不平衡问题,防止模型倾向于预测多数类(非漏洞)。
- •
聚类方法的影响:对比DBSCAN和K-Means两种聚类算法在依赖图构建中的作用后发现,DBSCAN因其无需预设聚类数量且能发现任意形状簇的特性,更适合于此任务,能产生质量更高、更贴近真实依赖关系的近似图。
结论与讨论部分对研究进行了总结并展望了未来。本研究的核心贡献在于提出并验证了一种可扩展的、基于聚类近似来建模函数级依赖关系以增强图神经网络漏洞检测性能的方法(SCVdet)。实验结果充分表明,通过让模型在学习过程中同时关注函数内部代码的局部语义和函数间的全局依赖,可以更精准地捕获软件系统中的漏洞及其潜在的传播路径。这不仅提高了检测的准确率,也使得模型对代码的上下文理解更为深入。该方法避免了对完整、精确的静态调用图的依赖,通过无监督学习在嵌入空间中近似依赖关系,使其具备了处理大型、异构代码库的潜力。当然,研究也存在一些局限性,例如对聚类参数(如DBSCAN的邻域半径和最小样本数)的敏感性,以及在不同编程范式和项目结构下的泛化能力有待进一步考察。未来的工作可以探索更先进的图表示学习方法、结合真实的调用图信息进行半监督学习,以及将SCVdet应用于更广泛的软件工程任务,如缺陷定位、代码摘要生成等。这项研究为构建下一代上下文感知的智能软件分析工具迈出了坚实的一步。