近年来，人们提出了基于深度学习（DL）的漏洞检测系统，用于从源代码中自动提取特征。这些方法在合成数据集上可以实现理想的性能，但在检测真实世界的漏洞数据集时，准确率却大幅下降。此外，这些方法仅适用于单个函数，无法学习函数之间的信息。论文提出行为图模型并构建了新的框架 VulBG，用于提取函数中的抽象行为，表示函数之间的关系，并利用这些信息帮助基于 DL 的漏洞检测模型实现更高的性能。实验结果显示，VulBG 使（TextCNN、ASTGRU、CodeBERT、Devign 和 VulCNN）等基线模型检测到更多漏洞，提高了其整体检测性能。
1 问题描述
目前大部分方法将漏洞语义提取的工作留给了神经网络，这是不合适的，因为漏洞往往只存在于函数的一小部分。将整个函数传递给神经网络模型会引入与漏洞无关的大量信息。此外，现有方法只关注一个函数，忽略了函数之间的潜在联系。函数是实现某些功能的代码集合。即使两个函数实现的功能完全不同，它们的子任务中也可能存在共同的逻辑、算法和编程模式。
2 解决方案
论文将行为定义为代码中实现特定功能的逻辑、算法或编程模式，并将每个函数视为一组行为。因此，函数之间的联系可以通过它们各自的行为来解决。漏洞可能存在于一个行为中，也可能存在于一组行为中。建立了一个行为图模型（Behavior Graph Model）来连接不同函数的行为，并利用它来增强现有基于 DL 方法的检测能力。首先进行程序切片，将函数分割成一组切片，并将每个切片视为函数的一种行为。然后，根据不同函数中不同程序切片（即行为）的相似性计算，构建行为图。在获得全局行为图之后，采用节点嵌入技术将每个节点（即函数）转换为向量表示，作为函数的行为特征。论文的贡献如下：
- 提出了一种新思路，即从函数的源代码中提取抽象行为，并构建行为图（Behavior Graph），将不同函数的行为关联起来，从而辅助漏洞检测。
- 实现了 VulBG 框架，通过将行为图与其他基于 DL 的 VD 模型相结合，提高漏洞检测的性能。
- 对 VulBG 进行了评估，并选择了五个最先进的 VD 模型作为基线模型。实验结果表明，VulBG 提升了所有基线模型的漏洞检测性能。
论文按语义分割函数，提取函数的抽象行为，而不是试图获取包含完整易受攻击语义的切片。通过对潜在的易受攻击操作进行切分，将函数分解为多个片段。每个片段都包含函数的部分语义，将其视为函数的一个行为，然后可以用一组行为来表示函数。
3 系统架构
图 3 展示了 VulBG 的三个阶段：行为图构建、行为特征提取和模型融合。
- 行为图构建： 鉴于函数的源代码，使用切片和代码嵌入来获取函数的行为。通过对行为进行聚类，得到一组中心点行为，然后根据中心点行为和行为的相似性构建行为图。
- 行为特征提取：对每个函数节点进行图嵌入，将其转换为向量，然后使用多层感知器（MLP）进一步处理函数的行为特征。
- 模型融合：采用了模型融合的方法，将行为特征与（TextCNN、ASTGRU、CodeBERT、Devign 和 VulCNN）等模型提取的特征结合起来，共同进行分类。
- 图 3 VulBG 的基本架构
3.1 行为图构建
行为图旨在表示函数间的联系，由函数节点和行为节点质心（切片）构成，行为节点表示为聚类的质心，函数节点表示该行为的所属函数。
图 4 行为图示例
图 4 为一个行为图的实例。其中 B1、B2、...、B7 为各个函数的行为；CB1、CB2、CB3 为多个相似行为通过聚类后得到的质心；F1、F2、F3 为函数。用质心表示所有相似行为，并将函数与质心相连得到最终的行为图，其中 边 基于函数行为到质心的欧几里得距离 设置的权重。
图 5 行为图构建流程
图 5 展示了行为图的构建流程，大致可以分为 4 个部分：代码切片、代码嵌入、K-Means 聚类以及图构建。
3.1.1 代码切片
不同于常规的代码切片方法将完整的 源程序/函数 处理为单个切片，文中根据兴趣点/关注点将函数切分为多个切片（行为）。论文将漏洞关注点归纳为两点：
- API 调用：API 的误用可能会导致 BOF、UAF、IF 等漏洞。根据 API 函数的参数进行后向切片，根据该函数的返回值进行前向切片
- 内存操作：分为指针类型变量和数组类型变量，对这类操作进行后向切片。
基于上述两类兴趣点/关注点，对每一个函数执行代码切片。代码切片通过源代码分析工具 Joern 实现。切片所需要的数据流依赖和控制流依赖通过 Joern 生成的 PDG 和 CFG 获得，操作包含的变量通过 Joern 的查询结果得到。对于每一个待切分的变量，在对应的CFG 中向前和向后遍历，收集存在数据依赖的语句和变量。在生成的所有切片中，大约 95.8% 的切片少于 64 个单词。
3.1.2 代码嵌入
函数的行为表示为多个文本形式的代码切片。论文采用 CodeBERT 模型对函数行为进行嵌入，它可以获取代码序列的长距离依赖关系，并使模型关注代码序列中的重要部分（多头注意力机制）。在论文中，每一个行为（切片）被编码为一个长度为 768 维的向量。
3.1.3 聚类
如果直接以一个源程序中的所有行为构建图，那么该图会很复杂、庞大，不利于后续处理。文中采用 K－Means 聚类算法中的特殊变种 MiniBatchKMeans 对提取到的一系列行为进行聚类，将多个相似的行为聚类为一簇，以减少图的节点向量，使信息更加聚集。
3.1.4 图构建
分别连接函数和其对应的行为，构建行为图。不同的行为之间存在差异，利用行为的相似性（行为节点到聚类质心的欧几里得距离）设置边的权重。两个行为越相似，它们的嵌入结果越相近。
3.2 行为特征提取
在得到行为图后，利用 Node2Vec 将行为图中的函数节点编码为长度为 128 维的向量，并将图向量输入到 4 层的 MLP 分类器中，输出最后一层隐藏层的值作为本文提取到的漏洞行为特征。
3.3 模型融合
如图 6 所示，在得到行为特征向量后，运行其它基线方法获取对应的特征向量，将二者进行 concatenate 融合，输入到输出层，得到最终的预测值。 论文中的基线方法包括 TextCNN、ASTGRU、CodeBERT、Devign、VulCNN 五种。
图 6 VulBG 模型融合架构
4 实验评估
4.1 实验设置
实验数据集采用两种真实世界的数据集：FFMpeg+Qemu （Devign），Chrome+Debian （Reveal）。数据集的详细信息如表 1 所示。
表 1 数据集统计
实验采用 Precision (P)，Recall (R), F-measure (F1) 三个指标来评估 VulBG 的漏洞检测性能：
P = TP / TP + FP；R = TP / TP + FN；F1 = 2 * ( P * R / P + R).
其中 TP：true positive；FP：false positive；TN：true negative；FN：false negative.
4.2 实验评估
如表 2 所示， 行为图模型实现了较高的 F1（56.1%）和 Recall（61.2%）。就 F1 和 Recall 而言，在六种方法中，行为图模型在 FFMpeg+Qemu 数据集上排名第一，在 Chrome+Debian 数据集上排名第二，这已经证明行为图模型在漏洞检测中效果良好。
表 2 VulBG 与基线方法性能对比
如表 3 所示，各项指标的变化情况列于分数之下。所有融合模型的 F1 和 Recall 都较高。在 FFMpeg+Qemu 数据集上，除了 BG+TextCNN 的 Precision 外，各模型的所有指标都达到了更高的分数；在 Chrome+Debian 数据集上，除了 BG+CodeBERT 的 Recall 有所下降外，各模型的所有指标也都有所提高。
表 3 模型融合后的性能对比
总而言之，VulBG 对提高基于 DL 的 VD 性能有显著效果。平均而言，在 FFMpeg+Debian 数据集上，F1、精确度和召回率分别提高了 4.2%、0.1% 和 8.7%；在 Chrome+Debian 数据集上，F1、精确度和召回率分别提高了 6.5%、5.3% 和 1.7%。VulBG 的高召回率使基于 DL 的 VD 能够发现更多漏洞，而更高的 F1 也证明 VulBG 可以提高不同模型的整体性能。
5 总结
文中提出了一种新方法，它可以提取函数的行为，然后构建行为图来表示不同函数之间的联系。设计并实现了 VulBG，通过将行为图与其他基于 DL 的 VD 方法相结合来提高漏洞检测性能。在两个真实世界数据集上的评估结果表明，行为图本身就足以胜任漏洞检测工作，且 可以进一步有效提高不同类型基于 DL 的 VD 方法（即 TextCNN、ASTGRU、CodeBERT、Devign 和 VulCNN）的整体性能。
6 原文链接
论文题目：Enhancing Deep Learning-based Vulnerability Detection by Building Behavior Graph Model
原文链接：Enhancing Deep Learning-based Vulnerability Detection by Building Behavior Graph Model | IEEE Conference Publication | IEEE Xplore
论文出处：2023 IEEE/ACM 45th International Conference on Software Engineering ( ICSE 2023 )
