[發明專利]一種檢測漏洞方法與電子設備

有效

• 申請號: 201910936363.9
• 申請日: 2019-09-29
• 公開（公告）號: CN110866254B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 李子;王持恒;馬四英;王偉;曾文科
• 申請（專利權）人: 華為終端有限公司
• 主分類號: G06F21/56
• 分類號: G06F21/56;G06F21/57;G06V10/774;G06N3/0464
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 李欣

一種檢測漏洞方法與電子設備。本申請涉人工智能(artificial?intelligence，AI)、機器學習等領域。該方法包括：提取漏洞庫中的已知漏洞類型的漏洞文件的聯合特征向量，所述聯合特征向量包括所述漏洞文件的顯性特征向量和隱性特征向量；其中，所述顯性特征向量包括與所述漏洞文件的代碼相關的顯性特征，所述隱性特征向量包括通過卷積神經網絡對所述顯性特征向量處理得到分類結果的上一層的參數；基于所述聯合特征向量，識別待檢測文件的漏洞類型，有助于提升漏洞識別的準確率。

技術領域

本申請涉及終端技術領域，尤其涉及一種檢測漏洞方法與電子設備。

背景技術

隨著網絡信息化的快速發展，網絡信息安全逐漸成為用戶關切的問題。大多數網絡攻擊都是由于某些軟件漏洞引起的。軟件漏洞可以竊取用戶信息，對用戶隱私造成威脅。

業界提出漏洞防御方法，即檢測漏洞并修補漏洞。目前較為前沿的漏洞檢測方法是通過機器學習算法進行漏洞檢測。但是，目前進行漏洞檢測的機器學習算法主要從漏洞文件中的代碼的語法中提取漏洞特征，然后基于該漏洞特征識別待檢測文件中的漏洞。

由于代碼的語法種類數較少，從代碼的語法中提取的漏洞特征較為單一，所以通過機器學習算法也僅能識別少數種類的漏洞，對于復雜的漏洞，無法識別，所以現有技術漏洞檢測的準確性較低。

發明內容

本申請的目的在于提供了一種檢測漏洞方法與電子設備，該方法可以提升漏洞檢測準確性。

上述目標和其他目標將通過獨立權利要求中的特征來達成。進一步的實現方式在從屬權利要求、說明書和附圖中體現。

第一方面，本申請實施例提供一種檢測漏洞方法，該方法包括：提取漏洞庫中的已知漏洞類型的漏洞文件的聯合特征向量，所述聯合特征向量包括所述漏洞文件的顯性特征向量和隱性特征向量；其中，所述顯性特征向量包括與所述漏洞文件的代碼相關的顯性特征，所述隱性特征向量包括通過卷積神經網絡對所述顯性特征向量處理得到分類結果的上一層的參數；基于所述聯合特征向量，識別待檢測文件的漏洞類型。

需要說明的是，本申請實施例中，電子設備學習已知漏洞類型的漏洞文件的顯性特征向量和隱性特征向量，然后基于顯性特征向量和隱性特征向量，識別待檢測文件的漏洞類型，提升了漏洞檢測的準確性。

在一種可能的設計中，學習漏洞庫中的已知漏洞類型的漏洞文件的聯合特征，包括：提取所述漏洞文件的顯性特征向量，所述顯性特征向量包括函數類型向量A和函數結構向量V；所述函數類型向量A包括所述漏洞文件的漏洞類型的相關參數，所述函數結構向量V包括所述漏洞文件中存在的編程語言標準庫函數；根據所述函數結構向量V和所述卷積神經網絡，確定隱性特征向量，所述函數類型向量A和所述隱性特征向量構成所述聯合特征向量。

需要說明的是，本申請實施例中，電子設備學習已知漏洞類型的漏洞文件的顯性特征向量和隱性特征向量，具體的，根據顯性特征向量中的函數結構向量V和卷積神經網絡，確定隱性特征向量，然后基于顯性特征向量和隱性特征向量，識別待檢測文件的漏洞類型，提升了漏洞檢測的準確性。

在一種可能的設計中，根據所述函數結構向量V和所述卷積神經網絡，確定隱性特征向量，包括：所述卷積神經網絡包括至少一層卷積層，至少一層池化層，至少一層全連接層；將所述函數結構向量V作為所述卷積神經網絡的輸入，運行所述卷積神經網絡；將所述卷積神經網絡的中所述至少一層全連接層中最后一層全連接層的參數作為所述隱性特征向量。

需要說明的是，本申請實施例中，電子設備學習已知漏洞類型的漏洞文件的顯性特征向量和隱性特征向量，具體的，將顯性特征向量中的函數結構向量V輸入卷積神經網絡，將所述卷積神經網絡的中所述至少一層全連接層中最后一層全連接層的參數作為所述隱性特征向量，然后基于顯性特征向量和隱性特征向量，識別待檢測文件的漏洞類型，提升了漏洞檢測的準確性。