摘要
在生产环境中部署深度学习漏洞检测器仍然面临诸多挑战：模型体积庞大、误报率较高、输出结果难以理解，且基准测试性能与实际应用效果之间存在明显差距。本研究旨在通过将训练得到的检测器与可解释的规则相结合，从而在准确性、效率和可操作性方面实现平衡。为此，我们设计了一个混合框架：该框架包含一个名为FastVulnGNN的轻量级GNN（仅有71,810个参数），可在单个CPU核心上用96.2秒完成训练；该GNN用于检测六类常见的C/C++漏洞，包括缓冲区溢出、格式字符串缺陷、空指针解引用、双重释放错误、整数溢出和竞态条件。在MegaVul数据集上，FastVulnGNN的检测准确率为71.1%，F1分数为0.70，AUC-ROC值为0.77。在包含499个文件和312,758行代码的生产代码库中，整个混合检测过程仅需5.5秒（相当于每秒处理约57,000行代码），且完全不需要GPU硬件支持。系统会为每个文件生成风险等级和模式级别的解释结果，这些信息非常适合集成到持续集成流程中。这项工作的意义在于证明了可以使用简洁的组件构建出可部署且可解释的漏洞检测器；同时，我们还通过边缘设备实验、跨数据集评估和针对具体漏洞的分析来验证该方法的有效性。
