FiCoVuL:一种细粒度跨函数代码漏洞检测框架
《ACM Transactions on Software Engineering and Methodology》:FiCoVuL: A Framework for Fine-grained and Cross-function Code Vulnerability Detection
【字体:
大
中
小
】
时间:2026年09月18日
来源:ACM Transactions on Software Engineering and Methodology 6.9
编辑推荐:
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在软件开发过程中检测漏洞至关重要,但也极具挑战性。基于深度学习的方法在自动学习特征以检测存在漏洞的函数方面展现了巨大潜力。在实际操作中,人工分析人员需要将多个函数的行为逻辑进行关联,以确认漏
要查看此 AI 生成的摘要,您必须拥有高级访问权限。
摘要
摘要
在软件开发过程中检测漏洞至关重要,但也极具挑战性。基于深度学习的方法在自动学习特征以检测存在漏洞的函数方面展现了巨大潜力。在实际操作中,人工分析人员需要将多个函数的行为逻辑进行关联,以确认漏洞是否真的存在。然而,现有研究未能充分考虑函数之间的上下文信息。此外,人工分析人员期望模型能够提供更细粒度的解释,以协助修复过程。
本文提出 FiCoVuL,一个用于分析相互关联函数并提供细粒度漏洞修复指导的框架。FiCoVuL 利用函数融合(Function Fusion)从项目中提取函数定义及其调用关系,并将多个函数合成为单一函数以进行联合分析。它将代码建模为多关系图,捕捉代码语句之间丰富的语法和语义关系。通过多关系图注意力网络,在网络节点和边关系之间进行消息传递,生成图级别和节点级别的表示。这些表示被用于漏洞函数预测和代码行排序,从而协助漏洞修复。
我们在公开的漏洞数据集和自建跨函数数据集上对 FiCoVuL 进行了评估,并将其与五种现有的检测模型进行了比较。实验结果表明,FiCoVuL 在漏洞检测和定位方面均显著优于其他方法。
AI 摘要
AI 生成摘要(实验性)
本摘要使用自动化工具生成,未经文章作者撰写或审核。我们提供此摘要以支持检索发现、帮助读者评估相关性,并协助来自相邻研究领域的读者理解该工作。本摘要旨在补充作者提供的摘要,作者提供的摘要仍然是本文的主要概述。完整文章仍然是权威版本。
点击 此处 对本摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进和生成未来版本。
要查看此 AI 生成的通俗摘要,您必须拥有高级访问权限。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号