StriderSPD: Structure-Guided Joint Representation Learning for Binary Security Patch Detection

Qingyuan Li

doi:10.1109/tse.2026.3747569

StriderSPD: Structure-Guided Joint Representation Learning for Binary Security Patch Detection

2026-10-26

0

PRE

AI

DOI：10.1109/tse.2026.3747569

原文链接

摘要

En 中文

漏洞严重威胁软件系统，使得及时应用安全补丁对于减轻攻击至关重要。然而，软件供应商通常在有限披露的情况下静默修复漏洞，此时安全补丁检测（SPD）技术用于保护软件资产。近期，大多数SPD研究主要针对开源软件（OSS），但现实中大量软件是闭源的，补丁以二进制形式分发而缺乏可访问的源代码。现有的二进制SPD方法常将二进制代码提升到抽象级别，即汇编代码或伪代码。然而，汇编代码是寄存器指令，传达的语义有限，而伪代码缺乏与解析器兼容的语法以提取结构，两者均阻碍了漏洞修复表示学习的准确性。此外，以往研究常从同一项目中获取训练和测试数据用于评估，这未能反映闭源条件。为缓解上述挑战，我们提出StriderSPD，一种基于二进制代码的结构引导联合SPD框架，该框架将图分支整合到大型语言模型（LLM）中，利用结构信息引导LLM识别安全补丁。我们新颖的适配器将图表示投影到LLM的潜在空间，并注入到令牌级注意力中。我们进一步提出两阶段训练策略，以解决StriderSPD两个分支因参数差异巨大导致的优化不平衡问题，从而实现分支的适当拟合。为支持更真实的评估，我们构建了一个与现有数据集在项目和领域上均不重叠的二进制SPD基准，并在该基准上全面评估了StriderSPD。实验结果表明，StriderSPD在保持实用性的同时达到最佳效果，其准确率比最佳基线模型高出12.66%，平均推理延迟仅为0.67秒，总成本为21.62美元。此外，StriderSPD在不同LLM上具有良好的泛化能力，提升了来自Llama、Qwen和DeepSeek家族的多个模型。

Keyword:

Security Patch Detection

Binary Program Analysis

Graph Representation

Large Language Model

StriderSPD: Structure-Guided Joint Representation Learning for Binary Security Patch Detection

摘要

期刊

机构

引用论文