.png){kind=icon}
返回
Multimodal information fusion for software vulnerability detection based on both source and binary codes
.png){kind=icon}
PRE
AI
DOI：10.1016/j.scico.2025.103411.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：许多研究者提出了通过分析程序来增强软件可靠性的漏洞检测方法。然而，仅从源代码中识别某些漏洞（尤其是与执行相关的漏洞）较为困难。目标：为解决此问题，本文引入额外的二进制代码，并基于多模态信息融合提出了一种新颖的软件漏洞检测解决方案。方法：该方法将源代码和二进制代码视为不同模态，并使用两个预训练模型作为特征提取器分别分析它们。随后，我们设计了一种基于注意力机制的信息融合策略，将源代码信息作为主体，二进制代码信息作为补充。该策略不仅能捕获跨模态特征间的相关性，还能在融合过程中过滤二进制代码的冗余信息。通过这种方式，可获得更全面的软件表示，并将其作为漏洞检测的基础。结果：我们在三种广泛使用的多语言数据集（即C语言的Reveal、C++的Devign和Java的Code_vulnerability_java）上全面评估了该方法：(1) 在漏洞检测性能方面，准确率在三个数据集上分别达到86.09%、84.58%和80.43%，F1分数分别为82.87%、84.62%和79.58%；(2) 与七种当前最佳基线方法相比，本方法在数据集上准确率提升2.38 %-3.01 %，F1分数提升2.32 %-8.47 %；(3) 此外，消融实验表明，结合二进制代码与源代码（相较于仅使用源代码）时，准确率提升6.83 %-13.76 %，F1分数提升5.36 %-9.86 %，证实了多模态数据融合带来的显著性能增益。结论：结果表明，本方法能够有效完成软件漏洞检测任务。同时，消融实验验证了二进制代码对检测的贡献，并表明了本融合策略的有效性。我们已公开代码与数据集（https://github.com/Wangqxn/Vul-detection）以促进后续研究。
Keyword:
Software vulnerability detection
Multimodal fusion
Source codes feature
Binary codes feature
期刊
S
IF:
1.4
论文数:
51
被引数:
1.6K
机构
引用论文
Transformer-based statement level vulnerability detection by cross-modal fine-grained features capture基于Transformer的语句级漏洞检测，通过跨模态细粒度特征捕获
PREAI
分享收藏Vulnerability detection through cross-modal feature enhancement and fusion.png)
COMPUTERS & SECURITY
COMPUTERS & SECURITYIF5.4
PREAI
分享收藏Early and Realistic Exploitability Prediction of Just-Disclosed Software Vulnerabilities: How Reliable Can It Be?刚刚披露的软件漏洞的早期和现实的可利用预测: 它有多可靠？
OAAI
OAAI分享收藏Detecting Android malware: A multimodal fusion method with fine-grained featureAndroid恶意软件检测：一种细粒度特征的多模态融合方法INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
分享收藏Vul-LMGNNs: Fusing language models and online-distilled graph neural networks for code vulnerability detectionVul-lmgnns: 融合语言模型和在线蒸馏图神经网络进行代码漏洞检测INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
查看更多内容