InterFuse：通过差分推理与层次化上下文融合实现可扩展的内存安全违规检测

《ACM Transactions on Software Engineering and Methodology》：InterFuse: Scalable Detection of Memory Safety Violations via Differential Reasoning and Hierarchical Context Fusion

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

C/C++ 中的内存安全漏洞仍然是关键 CVE 的主要来源，然而许多漏洞源于单函数分析所忽略的过程间交互。传统的静态分析器在跨调用分析中会遭遇路径爆炸问题，而基于图的重型方法则带来显著的构建和内存开销。我们观察到，许多此类漏洞表现为执行路径之间的对比；例如，良性路径可能只清理一次，而存在漏洞的路径可能触发重复释放。基于这一洞察，我们提出了 InterFuse，一种用于差异化路径推理的框架。InterFuse 构建紧凑的过程间控制流图，并通过有针对性的剪枝进行处理；通过遗传优化采样高对比度路径；并使用分层融合与轻量级拼接模块来增强判别信号。在三个主要基准测试（D2A、MVD 和 Juliet）以及在 ReposVul 上的跨项目迁移设置中进行评估，InterFuse 在 D2A 上达到了 84.7% 的 F1 分数，在 MVD 上达到了 75.4% 的 F1 分数。经过筛选的 MVD 基准测试包含 6,620 个过程间样本，平均圈复杂度为 12.7。与 SnapVuln 相比，InterFuse 将 D2A 的 F1 分数提高了 4.0 个百分点，并将图构建时间减少了$11.7\times$（在我们的实验环境中）。它还利用少量样本阈值校准，在 Juliet 上达到了 97.2% 的 F1 分数，在 ReposVul 上达到了 64.3% 的 F1 分数，而无需针对特定项目重新训练模型。

AI 摘要

AI 生成的摘要（实验性）

本摘要由自动化工具生成，并非由本文作者撰写或审核。其目的是支持文献发现，帮助读者评估相关性，并协助邻近研究领域的读者理解本工作。它旨在补充作者提供的摘要，而后者仍然是论文的主要摘要。全文仍为权威版本。点击此处了解更多信息。

点击此处，对本摘要的准确性、清晰度和有用性发表评论。这样做将有助于信息收集和改进未来重新生成的版本。

要查看此 AI 生成的通俗语言摘要，您必须拥有高级访问权限。