.png){kind=icon}
返回
Vdexplainer: Sequential decision-making and probability sampling guided statement-level explanation for vulnerability detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.cose.2025.104670.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有的大部分基于深度学习（DL）的漏洞检测方法，包括预训练模型，都是粗粒度的二分类方法，缺乏对检测结果的解释性。尽管深度学习的可解释性研究已受到广泛关注，但针对基于预训练模型的漏洞检测方法的可解释性研究却很少。因此，我们专注于为这些漏洞检测模型提供语句级别的可解释性，以帮助开发者理解漏洞。更具体地说，针对模型检测出的漏洞代码，我们的任务是找到导致预测结果的漏洞相关语句集合。受人工代码审查过程的启发，本文提出了一种用于解释漏洞检测的框架，称为VDExplainer。VDExplainer包括一个探索者，它利用顺序决策和概率采样来寻找漏洞相关语句的组合，以及一个导航者，通过学习漏洞模式来帮助缩小搜索空间。值得注意的是，导航者是预先训练的，然后与探索者集成，进一步提升了VDExplainer的效率和有效性。在半合成数据集和广泛使用的真实项目数据集上的大量实验表明，VDExplainer取得了卓越的性能，优于当前的最先进方法。