.png){kind=icon}
返回
MDVul: A semantic-based complex dependency code vulnerability detection using fusion path
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.103475.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
一方面，开源代码的重用可以显著提高软件开发效率；另一方面，其扩展的源代码功能会导致复杂的依赖关系，这也会增加潜在漏洞的风险。尽管源代码漏洞检测能够有效避免此类风险，但现有相关方法由于代码表示效率低下和语义学习能力不足而存在检测效率问题。针对此问题，我们提出了MDVul，一种针对复杂依赖源代码的漏洞检测方法。具体而言，我们设计了基于变量的多依赖流重构，将代码转换为融合路径。此外，我们使用UniXcoder嵌入代码表示，并进一步设计了基于注意力的双向门控循环网络来提升语义学习能力。为实现分类，我们使用了KAN模型。结果表明，MDVul在精确度、准确率、召回率和F1分数方面分别比最佳基线方法提高了7.64%、9.63%、5.86%和7.96%。
Keyword:
Vulnerability detection
Source code vulnerability detection
Complex dependency code
Deep learning
期刊
IF:
15.5
论文数:
4.3K
被引数:
2.7W
机构
暂无机构信息
引用论文
.png){kind=icon}
SySeVR: A Framework for Using Deep Learning to Detect Software VulnerabilitiesSySeVR: 使用深度学习检测软件漏洞的框架
OAAI
OAAI分享收藏Vulnerability Detection by Learning From Syntax-Based Execution Paths of Code通过基于语法的代码执行路径学习进行漏洞检测
PREAI
分享收藏分享收藏DetectVul: A statement-level code vulnerability detection for PythonDetectVul: 面向Python的语句级代码漏洞检测
PREAI
分享收藏
查看更多内容