[發明專利]基于切片屬性圖表示學習的函數級代碼漏洞檢測方法

有效

• 申請號: 202011613496.1
• 申請日: 2020-12-30
• 公開（公告）號: CN112699377B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 蘇小紅;鄭偉寧;蔣遠;魏宏巍;王甜甜;趙玲玲
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06F21/57
• 分類號: G06F21/57;G06F21/56
• 代理公司: 哈爾濱龍科專利代理有限公司 23206
• 代理人: 高媛

1.一種基于切片屬性圖表示學習的函數級代碼漏洞檢測方法，其特征在于所述方法包括如下步驟：

步驟1：利用靜態分析工具解析源代碼，生成以抽象語法樹、控制流圖和程序依賴圖聯合表示代碼結構信息、以代碼語句內容、節點類型和節點度數表示節點屬性信息的代碼屬性圖；

步驟2：根據代碼屬性圖中邊的類型提取語句節點之間的數據依賴關系和控制依賴關系，生成程序依賴圖；

步驟3：利用代碼屬性圖提取源代碼的6種漏洞候選關鍵節點：API/庫函數調用相關漏洞的關鍵節點、指針使用相關漏洞的關鍵節點、數組使用相關漏洞的關鍵節點、算術表達式相關漏洞的關鍵節點、函數參數相關漏洞的候選關鍵節點、函數返回值相關漏洞的候選關鍵節點；

步驟4：以步驟3得到的6種漏洞候選關鍵節點作為切片準則，前向和后向遍歷在步驟2中得到的程序依賴圖，獲取雙向切片語句集合，從代碼屬性圖和程序依賴圖中獲取這些語句節點之間的數據依賴、控制依賴和函數調用依賴關系，進一步生成切片屬性圖，并根據其是否包含漏洞語句節點給切片屬性圖標記類別標簽，同時記錄其使用的切片準則類型；

步驟5：將切片屬性圖中節點的屬性信息轉化為初始向量表示，使用關系圖卷積網絡對切片屬性圖進行表示學習，得到圖中每個節點更為準確的向量表示；

步驟6：根據程序依賴關系類型，將切片屬性圖劃分為三種不同關系的切片屬性子圖；基于節點自注意力機制，計算節點注意力值，對節點的向量表示加權求和得到切片屬性圖及其每個切片屬性圖子圖的向量表示；基于子圖注意力機制，計算每個切片屬性圖子圖的注意力值，對每個切片屬性圖子圖的向量表示加權求和得到子圖總的向量表示，具體步驟如下：

步驟61：根據依賴關系從切片屬性圖中劃分出控制依賴圖、數據依賴圖和函數調用依賴圖；

步驟62：建立節點級注意力機制，針對切片屬性圖及其子圖，利用SAGPool的注意力分數計算方法計算節點的自注意力分數，再對獲得的節點分數進行softmax歸一化處理，得到節點最終的注意力值，根據節點注意力值對節點的向量表示進行加權求和，得到切片屬性圖全圖及子圖的向量表示；

步驟63：建立子圖級注意力機制，針對每一個切片屬性圖子圖，學習其相對于全圖的重要性，再經過softmax歸一化得到子圖的注意力值，最后利用每個子圖的注意力值對子圖的向量表示進行加權求和，得到子圖總的向量表示；

步驟7：將得到的切片屬性圖全圖的向量表示和子圖總的向量表示拼接后送入全連接層和softmax層得到前向計算結果，利用切片的類別標簽信息計算交叉熵損失函數，根據誤差反向傳播調整網絡參數；

步驟8：對于給定的待識別函數，按照6種切片準則，生成其所有可能的切片屬性圖，用訓練好的關系圖卷積神經網絡模型對所有切片屬性圖進行漏洞檢測，通過漏洞識別策略和漏洞定位策略分析切片屬性圖漏洞檢測結果，從而實現函數的漏洞識別與漏洞定位。

2.根據權利要求1所述的基于切片屬性圖表示學習的函數級代碼漏洞檢測方法，其特征在于所述步驟3中，確定函數參數相關漏洞的候選關鍵節點的方法如下：遍歷步驟1中生成的代碼屬性圖，查找類型為“Function”的節點，繼續遍歷以該節點為起點的邊并獲得該邊的終止節點，這些終止節點中類型為“Parameter”的節點即為函數傳參相關漏洞的候選關鍵節點。

3.根據權利要求1所述的基于切片屬性圖表示學習的函數級代碼漏洞檢測方法，其特征在于所述步驟3中，確定函數返回值相關漏洞的候選關鍵節點的方法如下：遍歷步驟1中生成的代碼屬性圖，查找類型為“returnstatement”的節點，該節點即為函數返回值相關漏洞的候選關鍵節點。