漏洞检测综合

基于深度学习的源代码漏洞检测

1. muVulDeePecker：A Deep Learning-Based System for Multiclass Vulnerability Detection

现有的基于深度学习的漏洞检测方法可以检测漏洞的存在（即解决二进制分类或检测问题），但不能精确定位漏洞的类型（即无法解决多类分类）。在本文中，作者提出了第一个基于深度学习的多类漏洞检测系统，称为µVulDeePecker。µVulDeePecker的关键是code attention的概念，它可以捕获有助于查明漏洞类型的信息，即使样本很小。

没有源代码只有数据集

1. 提出code attention的概念，利用局部特征帮助检测漏洞类型
2. 使用控制依赖重新定义了code gadget的概念(之前VulDeePecker使用的是数据依赖)
3. 使用新的网络结构building-block BLSTM网络，旨在融合来自 code gadget 和 code attention 的不同类型的特征

2.Devign: Effective Vulnerability Identification by Learning Comprehensive Program Semantics via Graph Neural Networks

受各种代码表示图中手动定义漏洞模式的工作和图神经网络的最新进展的启发，作者提出了Devign，这是一种基于图神经网络，通过在丰富的代码语义表示集上学习来进行图级分类的通用模型。

epicosy/devign: Effective Vulnerability Identification by Learning Comprehensive Program Semantics via Graph Neural Networks (github.com)

3.VulDeeLocator: A Deep Learning-based Fine-grained Vulnerability Detector

在本文中，作者提出了一种可以同时实现高检测能力和高定位精度的漏洞检测器，称为VulDee-Locator（VulDeeLocator）。通过使用两种创新思想来解决遇到的困难：（i）利用中间代码来容纳额外的语义信息（ii）使用粒度细化的概念来确定漏洞的位置。

VulDeeLocator/VulDeeLocator (github.com)

基于代码相似性的源代码漏洞检测

4.VulDetector: Detecting Vulnerabilities Using Weighted Feature Graph Comparison

利用代码相似性进行漏洞检测有很多问题，比如高假阴性率，低准确率等等。本文提出了一个叫做VulDetector来解决该问题，一个基于权重特征图（WFG）比较的、函数粒度的C/C++漏洞检测模型。