文献阅读10-VulCNN-将代码转为图像的绝妙思路

Contribution

• 一个全新思维：代码->图像；将PDG看作社会网络（social network），通过三个角度的中心性分析得到三组数据，每一组数据重组成一个矩阵后，重叠三组数据，将其组成一个三通道的图像。

• 根据上述思想构建了一个面向源代码的漏洞检测系统：VulCNN

https://github.com/CGCL-codes/VulCNN

• 一个全新的数据集

Motivation

• 直觉：一个代码行，与其他语句的关系越多、越密切，这条代码就能为函数提供更多的语义信息，也可以说这条代码对于这个函数更重要

• PDG中的节点度可以保留重要性信息：观察下面函数的PDG，可以发现其最易受攻击的代码行（6）跟其他代码行的边（数据流、控制流）更多，也可以说，这个节点的度（入度和出度之和）更高.下面是一个例子

Source Code

1:  void bad()
2:  {
3:   char * data;
4:   char dataBuffer[100];
5:   data = dataBuffer;
6:   data = badSource(data);
7:   {
8:   char dest[50] = "";
9:   strncat(dest, data, strlen(data));
10:  dest[50-1] = '\0'; 
11:  printLine(data);
12:  }
13: }

PDG

                        +----------+
                        |     3    |
                        +----------+
                              |
                             \|/
                        +----------+
                        |     4    |
                        +----------+     
                              |----------+
                             \|/         |databuf
                        +----------+/    |
                        |     5    |-----+   
                        +----------+\
                              |----------+
                             \|/         |data
                        +----------+/    |
                +-------|     6    |-----+
                |       +----------+\   
                |            |  |
                |data        |  +---------+
                |        data|           \|/
                |            |      +----------+
                |            |      |     8    |
                |            |      +----------+
                |            |          |   |
                |           \|/         |   |dest
                |       +----------+/   |   |
                |       |     9    |----+---+
                |       +----------+\       |
                |            |              |
                |           \|/             |
                |      \+----------+/       |
                |       |    10    |--------+
                |      /+----------+\
                |            |
                |           \|/
                |      \+----------+
                +-------|    11    |
                       /+----------+

Adjacency Matrix

	1(line3)	2(line4)	3(line5)	4(line6)	5(line8)	6(line9)	7(line10)	8(line11)	out-degree
1(line3)	0	1	0	0	0	0	0	0	1
2(line4)	0	0	2	0	0	0	0	0	2
3(line5)	0	0	0	2	0	0	0	0	2
4(line6)	0	0	0	0	1	1	0	1	3
5(line8)	0	0	0	0	0	2	1	0	3
6(line9)	0	0	0	0	0	0	1	0	1
7(line10)	0	0	0	0	0	0	0	1	1
8(line11)	0	0	0	0	0	0	0	0	0
int-degree	0	1	2	2	1	3	2	2

Data Combine

line	out-degree	in-degree	degree
char* data;	0	1	1
char dataBuf[100];	1	2	3
data=dataBuf;	2	2	4
data=badSource(data);	2	3	5
char dest[50]=“”;	1	3	4
strncat(dest, data, strlen(data));	3	1	4
dest[50-1] = ‘\0’;	2	1	3
printLine(data);	2	0	2

• PDG看作是社会网络（social network），每个节点都可以看作是社会网络中的一个个体，这个个体与其他个体的交流越多，这个个体就越重要，其蕴含的语义信息就更多

Overview

抽取PDG -> 节点向量化 -> 图像生成 -> DL分类

Step1：Extracting Graph

• 去除非ASCII字符和注释

• 重命名用户自定义函数和变量

• 使用joern工具，生成函数的PDG

Step2：Encoding nodes

• 使用sent2vec模型进行向量化

Step3：Image Generating

Centrality Analyse

• 度中心性（Degree Centrality）：一个节点 $i$ 的度跟节点数 $N-1$ 的比值成为节点 $i$ 的度中心性 $x_i$ ，写作 $x_i=\frac{deg(i)}{N-1}$

• Katz中心性（Katz Centrality）：一个节点的一级邻接点中心性和自身的按比例加权，写作 $x_i=\alpha {\sum }_j{A}_{ij}{x}_j+\beta$ 其中 $\alpha ,\beta$ 都是常数，并且 $\alpha <\frac{1}{{\lambda }_{max}},\lambda$ 是邻接矩阵 $A$ 的特征值

• 接近中心性（Closeness Centrality）：一个节点与其他节点的接近程度，是该节点到所有节点最短距离的平均值，写作 $x_i=\frac{N-1}{{\sum }_{i\ne j}d(i,j)}$

Image Generating

• 计算PDG里面每个节点vector的三个中心性

• 将vector同相应的中心性相乘，得到三组vector

• 按照代码行顺序将每组节点vector保序排列成矩阵，得到三个矩阵

• 三个矩阵分别对应三个中心性、对应图像的三个通道

Algorithm1：Convertin Program to Image

$$\begin{gathered} \text{Input: }\mathbf{F}:\text{Source code of a function;} \\ \text{Output: }\mathbf{I}:\text{An image.} \\ 1:nF\leftarrow \text{CodeNormalization(F)} \\ 2:PDG\leftarrow \text{GraphExtraction}(nF) \\ 3:V\leftarrow \text{ObtainNodes}(PDG) \\ 4:\text{for each }v\in V\text{ do} \\ 5:\text{ vector}\leftarrow \text{SentenceEmbedding}(v) \\ 6:\text{ degreeCentrality}\leftarrow \text{DegreeCentralityAnalysis}(\text{vector},PDG) \\ 7:\text{ degreeChannel.add}(\text{degreeCentrality}\ast \text{vector}) \\ 8:\text{ katzCentrality}\leftarrow \text{KatzCentralityAnalysis}(\text{vector},PDG) \\ 9:\text{ katzChannel.add}(\text{katzCentrality}\ast \text{vector}) \\ 10:\text{closenessCentrality}\leftarrow \text{ClosenessCentralityAnalysis}(\text{vector},PDG) \\ 11:\text{closenessChannel.add}(\text{closenessCentrality}\ast \text{vector}) \\ 12:\text{end for} \\ 13:\mathbf{I}\leftarrow \text{ImageGeneration}(\text{degreeChannel},\text{katzChannel},\text{closenessChannel}) \\ 14:\text{return }I \end{gathered}$$

Step4：Classification

CNN-Input Length

• 长的删除尾部，短的尾部补0

• 文章根据数据集中的函数行比例，通过实验，选择了100作为输入长度

Results

• TPR基本同Devign齐平
• TNR和A值都最优
• 运行时间没有tokenNN短，但是tokenNN基本不可用

Future Work

• 优化PDG生成
• 组合各种社会网络中心性和深度学习网络，以找出最优组合
• 误报率没有优化，使用定向模糊尝试解决