[發(fā)明專利]提高基于深度學(xué)習(xí)的源代碼漏洞檢測健壯性的方法及裝置

有效

• 申請?zhí)枺?/td>: 202110263311.7
• 申請日: 2021-03-10
• 公開（公告）號: CN112989358B
• 公開（公告）日: 2022-07-01
• 發(fā)明（設(shè)計）人: 鄒德清;唐靜;李珍;金海
• 申請（專利權(quán)）人: 華中科技大學(xué)
• 主分類號: G06F21/57
• 分類號: G06F21/57;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京之于行知識產(chǎn)權(quán)代理有限公司 11767
• 代理人: 何志欣

1.一種提高基于深度學(xué)習(xí)的源代碼漏洞檢測健壯性的裝置，其特征在于，所述裝置至少包括代碼變換模塊(1)、映射模塊(2)和神經(jīng)網(wǎng)絡(luò)模塊(3)，所述映射模塊(2)與代碼變換模塊(1)、映射模塊(2)和神經(jīng)網(wǎng)絡(luò)模塊(3)分別建立數(shù)據(jù)連接關(guān)系，所述神經(jīng)網(wǎng)絡(luò)模塊(3)包括至少兩個第一分類器(21)，

所述代碼變換模塊(1)基于接收的第一訓(xùn)練程序源碼以代碼變換的方式生成具有可攻擊性的第二訓(xùn)練程序源碼，

所述映射模塊(2)將由所述第二訓(xùn)練程序源碼分離形成的若干代碼片段映射為第二樣本向量，

所述神經(jīng)網(wǎng)絡(luò)模塊(3)基于與所述第一訓(xùn)練程序源碼對應(yīng)的第一樣本向量和與所述第二訓(xùn)練程序源碼對應(yīng)的第二樣本向量分別訓(xùn)練至少兩個第一分類器(21)直至訓(xùn)練數(shù)據(jù)達(dá)到訓(xùn)練閾值，

所述神經(jīng)網(wǎng)絡(luò)模塊(3)基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練特征生成器和/或分類器的方式至少包括：

基于與所述第一訓(xùn)練程序源碼對應(yīng)的第一樣本向量訓(xùn)練至少一個第一特征生成器和至少兩個所述第一分類器的直至至少兩個第一分類器的預(yù)測差異最小化；

基于與所述第二訓(xùn)練程序源碼對應(yīng)的第二樣本向量訓(xùn)練至少兩個第二分類器直至至少兩個第二分類器的預(yù)測差異最大化；

基于與所述第二訓(xùn)練程序源碼對應(yīng)的第二樣本向量和經(jīng)過預(yù)測差異最大化訓(xùn)練的至少兩個所述第二分類器訓(xùn)練經(jīng)過預(yù)測差異最小化訓(xùn)練的第一特征生成器為第二特征生成器。

2.根據(jù)權(quán)利要求1所述的提高基于深度學(xué)習(xí)的源代碼漏洞檢測健壯性的裝置，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模塊(3)基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練特征生成器和/或分類器的方式還包括：

以迭代訓(xùn)練的方式訓(xùn)練第二分類器和所述第一特征生成器。

3.根據(jù)權(quán)利要求2所述的提高基于深度學(xué)習(xí)的源代碼漏洞檢測健壯性的裝置，其特征在于，

基于與所述第二訓(xùn)練程序源碼對應(yīng)的第二樣本向量訓(xùn)練至少兩個第二分類器的方式包括：

計算所述第二分類器分類第一樣本向量的第一損失值，

計算所述第二分類器分類第二樣本向量中的難樣本的第二損失值，

基于所述第一損失值和所述第二損失值的差值確定循環(huán)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測差異。

4.根據(jù)權(quán)利要求3所述的提高基于深度學(xué)習(xí)的源代碼漏洞檢測健壯性的裝置，其特征在于，

所述第一損失值的計算公式為：

其中，x_s表示向量，y_s表示樣本標(biāo)簽，表示第二分類器對漏洞樣本的預(yù)測概率值。

5.根據(jù)權(quán)利要求3所述的提高基于深度學(xué)習(xí)的源代碼漏洞檢測健壯性的裝置，其特征在于，

所述第二損失值的計算公式為：

其中，表示一個第二分類器對難樣本的預(yù)測概率值，表示另一個第二分類器對難樣本的預(yù)測概率值。

6.根據(jù)權(quán)利要求3所述的提高基于深度學(xué)習(xí)的源代碼漏洞檢測健壯性的裝置，其特征在于，基于所述第一損失值和所述第二損失值的差值確定循環(huán)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測差異的計算方法為：

其中，L_c(X)表示第一損失值，L_h(X″)表示難樣本的第二損失值。