多种检测方式能提供更多有用信息：基于多种技术的功能级漏洞检测

《ACM Transactions on Software Engineering and Methodology》：Abundant Modalities Offer More Nutrients: Multi-Modal-Based Function-level Vulnerability Detection

软件漏洞检测多模态方法MVulD+融合文本、图和网络结构图像特征，显著提升F1-score等指标。

　　

摘要

软件漏洞是软件系统中的弱点，可能导致重大的网络安全风险。最近，提出了一些基于深度学习（DL）的方法来在函数层面检测漏洞。这些方法通常利用一种或几种不同的函数表示方式（例如文本表示和基于图的表示），并显示出良好的性能。然而，现有的研究并未充分利用多种表示方式，特别是那些使用图像来表示函数以进行漏洞检测的方法。这些方法往往未能充分利用图像背后的重要图结构。在本文中，我们提出了MVulD+，这是一种基于多模态的函数级漏洞检测方法，它融合了函数的多模态特征（即文本表示、图表示和图像表示）来检测漏洞。具体来说，MVulD+利用预训练模型（即UniXcoder）捕获文本源代码的语义信息，使用图神经网络提取图表示，并采用计算机视觉技术获取图像表示，同时保留函数的图结构。为了验证MVulD+的有效性，我们进行了大规模实验，将其与九种最先进的基线方法进行了比较。实验结果表明，MVulD+在F1分数、准确率、精确率和PR-AUC方面分别比基于DL的基线方法提高了24.3%-125.7%、5.2%-31.4%、40.6%-192.2%和22.3%-186.9%。