CodeGraphNet: embedding-driven enhanced vulnerability detection with line-level error identification

doi:10.1007/s11219-026-09752-9

CodeGraphNet: embedding-driven enhanced vulnerability detection with line-level error identification

2026-03-31

0

PRE

AI

DOI：10.1007/s11219-026-09752-9

原文链接

原文求助

摘要

En 中文

软件漏洞是程序中的缺陷，攻击者可利用其获取未授权访问、改变执行流程或泄露敏感信息。尽管已提出许多自动化漏洞检测方法，但一个持续存在的限制是特征嵌入的质量：仅基于标记的表示往往遗漏更深的程序语义，而单一模态的图特征可能无法捕捉多类预测所需的互补结构信号。为解决这些差距，我们提出CodeGraphNet，一种用于C/C++代码函数级漏洞检测的层次化图融合嵌入框架。CodeGraphNet通过互补的图视图联合建模过程间控制流和函数调用连接、数据依赖关系以及执行上下文，并通过自适应融合机制将其与基于Transformer的序列表示集成。我们使用10折交叉验证和独立的保留测试集评估该框架，训练多个分类器和一个集成模型（DeepTree）。与传统的嵌入基线相比，CodeGraphNet提高了函数级漏洞识别能力，并在测试集上达到0.767的准确率和0.769的F1分数。相较于使用1层神经分类器的CodeBERT和GraphCodeBERT基线，在相同评估设置下，我们的方法在准确率上提升最高达31.0%，在F1分数上提升最高达49.4%。最后，我们集成LIME以突出影响预测的关键标记，为开发人员提供可操作的证据。总体而言，结果表明融合互补的程序结构图与序列建模可同时提升检测性能和可解释性，支持更可靠的漏洞分析在安全软件开发中的应用。

Keyword:

CWE

Software development

Hierarchical graph

Software vulnerabilities

Security protective

Defect localization

CodeGraphNet: embedding-driven enhanced vulnerability detection with line-level error identification

摘要

期刊

机构

引用论文