Function-level vulnerability detection via dual-view dependency modeling and semantic-structural alignment

Dawei Zhao

doi:10.1016/j.infsof.2026.108261

Function-level vulnerability detection via dual-view dependency modeling and semantic-structural alignment

2026-07-01

0

PRE

AI

DOI：10.1016/j.infsof.2026.108261

原文链接

原文求助

摘要

En 中文

背景：函数级漏洞检测对于软件安全和代码审查至关重要，但现有的基于学习的方法在联合捕捉语义线索和函数内依赖关系时往往面临挑战，尤其是在证据分散于不相邻路径或异构控制/数据流结构的情况下。目标：本研究探讨了在函数级设置下，通过联合建模局部依赖证据、互补的全局结构关系及其与代码语义的对齐，是否可以提升漏洞检测效果。方法：我们提出了DualGraphVulD，一个双视角语义-结构框架。局部视角采用门控消息传递以实现细粒度的依赖交互，而全局视角应用重启扩散以在跨路径依赖传播过程中补充局部聚合。一个查询引导的跨视角对齐模块通过交叉注意力检索结构相关证据。我们进一步采用渐进增强损失作为不平衡感知的损失调度策略，避免仅图突变，以保持源文本和CPG输入之间的一致性。评估包括图大小桶、依赖跨度桶、自适应门分析、仅语义行为和PrimeVul在现实分割下的表现。结果：在现有漏洞基准和PrimeVul上的实验表明，DualGraphVulD在评估设置下提升了整体检测性能。诊断分析表明，传统的全图消息传递在结构复杂或长跨度的样本上性能下降更明显，而DualGraphVulD通过结合局部聚合、重启全局扩散和语义-结构对齐，保持了更稳定的性能。结论：双视角依赖建模和语义-结构对齐对结构异构函数有益。本研究聚焦于函数级检测，并未声称覆盖所有跨过程漏洞。

Keyword:

Vulnerability detection

Software security

Function-level analysis

Graph neural networks

Program dependency modeling

Semantic-structural alignment

Function-level vulnerability detection via dual-view dependency modeling and semantic-structural alignment

摘要

期刊

机构

引用论文