Keep It Simple: Self-Adaptive Code Graph Simplification for Accurate Vulnerability Detection

Xin Peng

doi:10.1109/TSE.2025.3593515

Keep It Simple: Self-Adaptive Code Graph Simplification for Accurate Vulnerability Detection

2025-07-29

0

PRE

AI

DOI：10.1109/TSE.2025.3593515

原文链接

原文求助

摘要

En 中文

软件漏洞检测对于高质量软件开发至关重要。最近，一些利用图神经网络（GNNs）来学习漏洞检测任务中代码图表示的研究取得了显著成功。然而，现有的基于图的方法主要面临两个限制，这些限制阻碍了它们在大代码图上的良好泛化能力：(1) 代码图中噪声信息的干扰；(2) 在图中捕捉长距离依赖关系的困难。为了缓解这些问题，我们提出了一种新颖的漏洞检测方法，ANGEL，其创新性主要体现在层次化图精炼和上下文感知的图表示学习。前者分层过滤代码图中的冗余信息，从而减小图的大小，而后者协同使用图Transformer和GNN从全局和局部视角学习代码图表示，从而捕捉长距离依赖关系。广泛的实验在三个广泛使用的基准数据集上展示了有前景的结果：我们的方法在准确率和F1分数方面显著优于其他几个基线方法。特别地，在大型代码图中，ANGEL 相比最先进的方法AMPLE，在准确率上提升了34.27%-161.93%。这些结果表明了ANGEL在漏洞检测任务中的有效性。

Keyword:

Software vulnerability detection

graph neural networks

graph representation learning

Keep It Simple: Self-Adaptive Code Graph Simplification for Accurate Vulnerability Detection

摘要

期刊

机构

引用论文