1.一种基于图对比学习的二进制代码相似性检测方法,其特征在于,包括如下步骤:S1、获取用于训练的二进制程序对;
S2、对获取的所述二进制程序对进行反汇编,并获取其过程间控制流图ICFG及其基本块中的指令;
S3、计算所述基本块中指令的TF‑IDF;
S4、通过图对比学习预训练图神经网络;具体如下:S401、图数据增强,在不影响语义标签的情况下通过应用一定的转换创建新颖且现实合理的图数据;
S402、通过基于GNN的图编码器获得图级的向量表示;
S403、通过多层感知器MLP将增强的表示映射到另一个计算对比损失的潜在空间;
S404、通过对比损失函数强制最大化正对与负对之间的一致性;
S5、在冻结模式下,冻结预训练的所述图神经网络的参数并训练所述二进制程序对匹配的分类器;
S6、通过所述图神经网络及其分类器得到所述二进制程序对的相似的概率。
2.根据权利要求1所述的基于图对比学习的二进制代码相似性检测方法,其特征在于,步骤S2具体包括:针对获取的二进制程序对进行反汇编得到每个函数的控制流图CFG以及每个基本块的指令序列;所述基本块为一个最大的连续执行无跳转的指令序列;所述的控制流图CFG,其节点为一个基本块,边为控制流中的跳转;所述的过程间控制流图ICFG将控制流图CFG按照函数调用关系进行连接,即从函数调用的基本块连接到被调用函数的入口处的基本块。
3.根据权利要求1或2所述的基于图对比学习的二进制代码相似性检测方法,其特征在于,步骤S3具体包括:S301、对获取的所述基本块中的指令的操作码进行归一化,所有的基本内存地址替换为“mem”;所有的通用寄存器根据其长度进行重命名;
S302、将指令中的操作码和归一化后的操作数进行连接作为单词;
S303、将基本块的指令序列作为文章;
S304、计算每个指令的TF‑IDF值;
S305、将基本块中的每个指令按照TF‑IDF值进行降序排列。
4.根据权利要求3所述的基于图对比学习的二进制代码相似性检测方法,其特征在于,步骤S401中采用基于中心性的边扰动和基于TF‑IDF的节点丢弃对图数据进行增强,具体如下:令 表示一个图,其中 , 分别表示节点集
和边集;给定 个图的数据集中的图 ,制定增强图 满足:,其中 为图数据增强;
所述基于中心性的边扰动为通过随机添加或删除预设比例的边来扰乱图的连通性;具体为以概率从原始 中采样一个修改的子集 :其中 , 为移除边 的概率;
移除边 的概率 定义为:
其中 为控制去除边的整体概率的超参数, 为 的最大值, 为平均值; 为截止概率; 的定义为:其中 和 分别表示节点 和节点 的中心性。
5.根据权利要求4所述的基于图对比学习的二进制代码相似性检测方法,其特征在于,所述基于TF‑IDF的节点丢弃是指随机丢弃预设比例的顶点及其连接;具体为以概率从原始 中采样一个修改的子集其中 , 是删除节点 的概率;
当基本块中包含系统函数和库函数调用时 ,否则:其中 为控制删除节点的整体概率的超参数, 为 的最大值, 为平均值; 为截止概率; 的定义为:其中 为基本块中的 个指令的TF‑IDF值。
6.根据权利要求5所述的基于图对比学习的二进制代码相似性检测方法,其特征在于,步骤S402中所述基于GNN的图编码器使用图同构网络GIN,其包括聚合邻居节点和计算图嵌入;其中聚合邻居节点定义为:上式中, 和 分别表示节点 在 和 时刻的输出, 为一个可学习参数, 为节点 的邻居节点, 为节点 在 时刻的输出;
所述图嵌入的定义为:
上式中, 为串联, 为求和。
7.根据权利要求4‑6任一所述的基于图对比学习的二进制代码相似性检测方法,其特征在于,步骤S404中,所述正对定义为将同一个图创建的增强图,所述负对定义为不同图创建,并且使用余弦函数计算相似度;所述损失函数的定义为:上式中, , 为小批量中的第 个图, 为增强图的数量, 表示温度参数,为余弦相似度函数。
8.根据权利要求1所述的基于图对比学习的二进制代码相似性检测方法,其特征在于,步骤S5具体包括:S501、对图神经网络的参数进行固定,使图神经网络的超参数在训练的过程中不再受反向传播的影响;
S502、使用全连接层作为二进制程序对匹配的分类器;
S503、使用标记的二进制函数对进行训练,更新分类器的参数。
9.一种基于图对比学习的二进制代码相似性检测系统,包括相互连接的微处理器和存储器,其特征在于,该微处理器被编程或配置以执行权利要求1~8中任意一项所述基于图匹配网络的二进制程序相似性检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有被编程或配置以执行权利要求1~8中任意一项所述基于图对比学习的二进制代码相似性检测方法的计算机程序。