AI安全
文章平均质量分 78
真·skysys
萌即正义 ^ω^ ヾ(o◕∀◕)ノヾ ヽ(≧□≦)ノ ヾ(・ω・`。)
展开
-
USENIX Security 23 论文解读 # VulChecker: Graph-based Vulnerability Localization in Source Code
基于AI实现的SAST实现漏洞检测、分类和精确定位原创 2023-07-09 01:06:06 · 998 阅读 · 0 评论 -
安全研究 # Neural Network-based Graph Embedding for Cross-Platform Binary Code Similarity Detection
跨平台二进制代码相似度检测原创 2022-12-22 16:25:54 · 1369 阅读 · 2 评论 -
安全研究 # Order Matters: Semantic-Aware Neural Networks for Binary Code Similarity Detection
图7中是4个控制流图的block(左上,左下,右上,右下),我们使用K-means对预训练后的block embedding进行分类(K-means的类别数定为4),不同的类别颜色不同。为什么使用CNN模型呢?这三个图非常相似,每个图中都有一个三角形特征(图a的节点123,图b的节点234,图c的节点134),这个特征体现在它们的邻接矩阵中。首先对比图a和图b,与图a相比,图b加入了节点1,节点顺序依次后移一位,但三角形特征中三个节点的顺序还是连续的,这个特征在邻接矩阵中可以看到,这个1-1-0-1的。原创 2022-12-14 18:17:55 · 585 阅读 · 0 评论 -
文本对抗攻击和防御的难点
图像对抗攻防变硬核的同时,其他模态的对抗攻防看似风生水起。以文本领域为例,其研究意义、核心问题与难点究竟是何?还能做多久?NLP上和图像上的对抗攻击最大的区别在于:句子的定义域是不连续甚至是难定义的。举个例子,图片你修改一个像素还是一个正常的图片,但一个句子修改一个词甚至是一个字母,就会使这个句子出现语法错误。而语法错误本身不是well-defined,也就说你不能用一个公式表达出来然后每次更新的时候做Projection。为了解决这个问题,1-2年前还在做对抗的时候基本上就是基于两种思路:(1).转载 2021-05-17 23:14:45 · 447 阅读 · 0 评论