1.一种源代码漏洞检测方法,其特征在于,包括以下步骤:S1、将包含漏洞的源代码文件转化为表示向量;
S2、针对所述表示向量生成词级别的注意力权重,并加权到所述表示向量上;
S3、将加权后的表示向量作为卷积神经网络的输入,得到特征图;
S4、生成通道注意力权重和空间注意力权重,并分别加权到特征图的通道和空间上,得到基于注意力的检测模型;
S5、将S2所述表示向量作为基于注意力的检测模型的输入,训练所述基于注意力的检测模型,得到训练好的基于注意力的检测模型,利用训练好的基于注意力的检测模型对源代码进行检测;
步骤S2的具体实现过程包括:先通过word2vec生成表示向量,再根据表示向量和上下文向量生成注意力权重,将所述注意力权重加权到表示向量上,得到加权后的表示向量,具体实现步骤包括:A)将表示向量xi送入单层感知机,得到ui作为xi的隐层表示;
B)对每一个隐层表示ui,计算ui与uw的相似度衡量xi的重要性程度 其中,uw为定义的语境向量;
C)将注意力权重加权到xi以生成 公式表示为: 其中,
2.根据权利要求1所述的源代码漏洞检测方法,其特征在于,步骤S1的实现过程包括:
1)按词读取包含漏洞的源代码文件,构造词典并统计各词出现的概率;
2)照各词出现概率构造Huffman树,并生成树节点所在的二进制码;
3)依赖连续词袋建立神经词嵌入网络,将字典放入神经词嵌入网络中进行训练,得到训练好的网络M;
4)将源文件的词送入所述网络M中,得到表示向量xi。
3.根据权利要求1所述的源代码漏洞检测方法,其特征在于,步骤S3中,所述卷积神经网络每一次的输出计算公式如下:其中,win为卷积神经网络某层的输入图像,wout为该层的输出图像,f表示对该层进行卷积操作将会用到的过滤器宽高,stride表示步长,padding表示填充边界的宽度。
4.根据权利要求1所述的源代码漏洞检测方法,其特征在于,步骤S4中,生成通道注意力权重,并加权到特征图的通道上的实现过程包括:I)使用平均池化聚合特征图的空间信息,得到空间信息A;通过最大池化操作聚合特征图的空间信息,得到空间信息B;
II)将所述空间信息A和空间信息B分别作为共享多层感知机的输入,得到两个频道关注图;
III)叠加两个所述频道关注图,生成通道注意力权重;
IV)将所述注意力权重加权到特征图上,输出通道注意力后的特征图F′。
5.根据权利要求1所述的源代码漏洞检测方法,其特征在于,步骤S4中,生成空间注意力权重,并加权到特征图的空间上的实现过程包括:i)使用平均池化聚合特征图的空间信息,得到第一空间信息;通过最大池化操作聚合特征图的空间信息,得到第二空间信息;
ii)对所述第一空间信息和第二空间信息分别进行卷积操作,生成两个二维空间注意力图;
iii)叠加两个空间注意力图,生成空间注意力权重;
*
iv)将空间注意力权重叠加到特征图上,得到空间注意力后的特征图F。
6.根据权利要求1~5之一所述的源代码漏洞检测方法,其特征在于,利用训练好的基于注意力的检测模型对源代码进行检测的具体实现过程包括:将源代码输入所述训练好的基于注意力的检测模型,若输出大于0.8,则认为存在漏洞。
7.一种源代码漏洞检测系统,其特征在于,包括计算机设备;所述计算机设备被配置或编程为用于执行权利要求1~6之一所述方法的步骤。
8.一种计算机可读存储介质,其特征在于,其存储有程序;所述程序被配置为用于执行权利要求1~6之一所述方法的步骤。