Syntax-Aware Hierarchical Attention Networks for Code Vulnerability Detection

doi:10.32604/cmc.2025.069423

Syntax-Aware Hierarchical Attention Networks for Code Vulnerability Detection

2026-01-01

0

PRE

AI

DOI：10.32604/cmc.2025.069423

原文链接

原文求助

摘要

En 中文

在现代软件开发中，由于复杂性和开发周期的压缩，传统静态漏洞检测方法面临显著挑战，包括高误报率和复杂逻辑漏检，这归因于其对规则模板的过度依赖。本文提出了一种语法感知的层级注意力网络（SAHAN）模型，通过语法规则驱动的多粒度代码切片和层级语义融合机制实现高精度漏洞检测。SAHAN模型首先生成语法无关单元（SIUs），基于抽象语法树（AST）和预定义语法规则对代码进行切片，保留漏洞敏感上下文。随后，通过层级注意力机制，局部语法感知层编码SIU内的细粒度模式，而全局语义相关层捕捉跨SIU的漏洞链，实现语法与语义的协同建模。实验表明，在QEMU等基准数据集上，SAHAN相较于Devign和VulDeePecker等基线模型，平均检测性能提升了4.8%至13.1%。

Keyword:

Vulnerability detection

abstract syntax tree

syntax rule slicing

hierarchical attention mechanism

deep learning

Syntax-Aware Hierarchical Attention Networks for Code Vulnerability Detection

摘要

期刊

机构

引用论文