1.一种程序切片漏洞检测方法,其特征在于,包括以下步骤:提取程序切片的程序依赖图,以将程序切片的代码文本转化为由节点和图边构成的图结构;
将所述节点及所述图边进行数据化描述,以将所述图结构转化为图数据;
将所述图数据区隔为训练集及测试集;
基于所述训练集构建GGNAT图表征学习模型,所述GGNAT图表征学习模型用于漏洞检测;
所述基于所述训练集构建GGNAT图表征学习模型,所述GGNAT图表征学习模型用于漏洞检测的步骤包括:以门控图神经网络构建门控图循环层,将所述训练集作为所述门控图循环层的输入值,以获取节点状态;
以图注意力机制构建图注意层,将所述节点状态作为所述图注意层的输入值,以获取节点特征;
以最大池化与平均池化的组合池化法进行卷积运算,以构建池化层,将所述节点特征作为所述池化层的输入值,以获取全局表征向量;
以多层感知机构建预测层,将所述全局表征向量作为所述预测层的输入值,以获取所述GGNAT图表征学习模型。
2.根据权利要求1所述的程序切片漏洞检测方法,其特征在于,所述将所述节点及所述图边进行数据化描述,以将所述图结构转化为图数据的步骤包括:对所述节点进行节点嵌入,以将所述节点转化为节点数据;
将所述图边以邻接矩阵的形式进行存储,以将所述图边转化为图边数据;
组合所述节点数据及所述图边数据,以形成所述图数据。
3.根据权利要求2所述的程序切片漏洞检测方法,其特征在于,所述对所述节点进行节点嵌入,以将所述节点转化为节点数据的步骤具体为:获取所述节点数据的包含代码,提取所述包含代码的节点属性特征,将所述节点属性特征映射到数值向量空间,以获取属性向量VAttribute;
将所述包含代码的代码段落进行向量表示,以获取段落向量VParagraph;
将所述包含代码的代码段落转换为AST数据结构树,聚合所述AST数据结构树的子树节点,将聚合后的所述子树节点映射至向量空间,以获取结构向量VAST;
拼接所述属性向量VAttribute、所述段落向量VParagraph及所述结构向量VAST,以形成所述节点数据。
4.根据权利要求1所述的程序切片漏洞检测方法,其特征在于,所述训练集于所述图数据中的占比为70% 80%。
~
5.根据权利要求1所述的程序切片漏洞检测方法,其特征在于,所述预测层包括多层感知机模型,所述多层感知机模型为:,其中,SigMoid为饱和激活函数、AVG为平均数函数、MLP为多层感知机、为所述全局表征向量。
6.根据权利要求1所述的程序切片漏洞检测方法,其特征在于,在所述基于所述训练集构建GGNAT图表征学习模型,所述GGNAT图表征学习模型用于漏洞检测的步骤之后,还包括:将所述测试集代入所述GGNAT图表征学习模型,以检测所述GGNAT图表征学习模型的漏洞检测功能。
7.一种程序切片漏洞检测系统,其特征在于,所述系统包括:提取模块,用于提取程序切片的程序依赖图,以将程序切片的代码文本转化为由节点和图边构成的图结构;
转化模块,用于将所述节点及所述图边进行数据化描述,以将所述图结构转化为图数据;
分隔模块,用于将所述图数据区隔为训练集及测试集;
构建模块,用于基于所述训练集构建GGNAT图表征学习模型,所述GGNAT图表征学习模型用于漏洞检测;
所述构建模块包括:
第一构建单元,用于以门控图神经网络构建门控图循环层,将所述训练集作为所述门控图循环层的输入值,以获取节点状态;
第二构建单元,用于以图注意力机制构建图注意层,将所述节点状态作为所述图注意层的输入值,以获取节点特征;
第三构建单元,用于以最大池化与平均池化的组合池化法进行卷积运算,以构建池化层,将所述节点特征作为所述池化层的输入值,以获取全局表征向量;
第四构建单元,用于以多层感知机构建预测层,将所述全局表征向量作为所述预测层的输入值,以形成所述GGNAT图表征学习模型。
8.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至
6中任一项所述的程序切片漏洞检测方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6中任一项所述的程序切片漏洞检测方法。