网络空间安全论文笔记1——漏洞

基于深度学习的软件安全漏洞挖掘

早期安全漏洞挖掘：静态分析技术、动态分析技术、混合分析技术

静态分析技术：不运行程序，高效快速，但构造成本高、误报漏报率高

基于规则分析、二进制对比、静态符号执行、静态污点分析

动态分析技术：运行程序，路径覆盖率低，路径爆炸问题，消耗大量计算资源

模糊测试、动态符号执行、动态污点分析

基于机器学习：基于软件代码度量、代码属性、代码相似性、代码模式

软件代码度量：使用量化指标，检测速度快，但与漏洞本身关联不强，高误报漏报率

开发者活动、复杂度、代码变化、继承深度、耦合度、内聚度

基于代码属性：检测SQL注入、XSS、RCE、缓冲区溢出CWE-119等漏洞

基于代码相似性：提取定义好的特征，然后比较相似性，判断是否同一类型的漏洞

需要手工定义特征，且只能发现已知漏洞

基于代码模式：词法分析（文本挖掘）/语法分析（静态分析技术）

基于传统机器学习的方法存在问题：依赖专家的定义，只能检测已知漏洞，难以定位漏洞

基于深度学习：构建神经网络以提取特征

会议：IEEE S&P，USENIX Security，CCS，NDSS

数据集：美国国家计算机通用漏洞数据库（National Vulnerability Dat