軟件安全是軟件開發(fā)工作的重中之重,因為軟件安全漏洞不僅會損耗不必要的資源,還會給公司或組織帶來嚴(yán)重的經(jīng)濟財產(chǎn)損失。然而對于開發(fā)者而言,發(fā)現(xiàn)漏洞并不是一件容易的事,因為漏洞代碼和安全代碼并沒有明顯的差異。對于代碼分析這類時序任務(wù),循環(huán)神經(jīng)網(wǎng)絡(luò)經(jīng)大量科研工作者的驗證,已經(jīng)是成熟的應(yīng)用方案。但是最近有不少的研究將卷積網(wǎng)絡(luò)用于音頻合成和機器翻譯等時序任務(wù)中,取得了比循環(huán)網(wǎng)絡(luò)更好的效果。在使用機器學(xué)習(xí)檢測代碼漏洞的任務(wù)中,代碼的預(yù)處理和神經(jīng)網(wǎng)絡(luò)的選擇是影響檢測精度的關(guān)鍵因素。論文首先提出了一種將程序代碼轉(zhuǎn)換為單詞向量序列的方法,該方法可以兼顧保留程序語義和處理的簡潔性,包含了代碼切割、單詞編碼等過程。然后建立了一個基于卷積神經(jīng)網(wǎng)絡(luò)的代碼漏洞檢測模型,不同于其他基于循環(huán)網(wǎng)絡(luò)的方法,該模型使用卷積神經(jīng)網(wǎng)絡(luò)對單詞級的函數(shù)對象進行分析。模型結(jié)合了多種有效的技術(shù),包括因果卷積、擴張卷積以及殘差單元等,并盡量保證網(wǎng)絡(luò)的簡潔。最后,在使用多種超參數(shù)對模型的性能進行測試后,給出了兼顧效率與準(zhǔn)確度的卷積網(wǎng)絡(luò)超參數(shù)調(diào)整原則,為模型處理更多的數(shù)據(jù)集預(yù)留了擴展性。實驗用三種數(shù)據(jù)集來測試模型性能,代碼漏洞檢測模型在精確率... 

【文章來源】：華中科技大學(xué)湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景及研究意義
    1.2 研究概況
    1.3 研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
2 相關(guān)理論和技術(shù)
    2.1 傳統(tǒng)代碼異常檢測
    2.2 自然語言處理
    2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
    2.5 本章小結(jié)
3 基于深度學(xué)習(xí)的代碼漏洞檢測模型
    3.1 模型總體架構(gòu)
    3.2 代碼編碼預(yù)處理
    3.3 時序卷積神經(jīng)網(wǎng)絡(luò)
    3.4 時序卷積神經(jīng)網(wǎng)絡(luò)調(diào)參準(zhǔn)則
    3.5 本章小結(jié)
4 代碼漏洞檢測模型的實現(xiàn)
    4.1 代碼編碼預(yù)處理
    4.2 時序卷積神經(jīng)網(wǎng)絡(luò)
    4.3 本章小結(jié)
5 模型測試與結(jié)果分析
    5.1 實驗環(huán)境
    5.2 實驗數(shù)據(jù)
    5.3 實驗結(jié)果及分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 工作展望
致謝
參考文獻



本文編號：3161512