[論文レビュー] DeepTective

Rishi Rabheru, Hazim Hanif+1 more|arXiv (Cornell University)|Mar 22, 2021

Web Application Security Vulnerabilities参考文献 6被引用数 1

ひとこと要約

DeepTective は、Gated Recurrent Units (GRUs) と Graph Convolutional Networks (GCNs) を組み合わせたディープラーニングフレームワークであり、PHP コードにおける SQL イジェクション、XSS、OSCI の脆弱性を、構文構造と意味的構造の両方をモデル化することで検出する。実世界の GitHub データセット上で 88.12% の F1 スコアを達成し、WordPress プラグインに 4 つの新しい脆弱性を発見した。

ABSTRACT

This paper presents DeepTective, a deep learning approach to detect vulnerabilities in PHP source code. Our approach implements a novel hybrid technique that combines Gated Recurrent Units and Graph Convolutional Networks to detect SQLi, XSS and OSCI vulnerabilities leveraging both syntactic and semantic information. We evaluate DeepTective and compare it to the state of the art on an established synthetic dataset and on a novel real-world dataset collected from GitHub. Experimental results show that DeepTective achieves near perfect classification on the synthetic dataset, and an F1 score of 88.12% on the realistic dataset, outperforming related approaches. We validate DeepTective in the wild by discovering 4 novel vulnerabilities in established WordPress plugins.

研究の動機と目的

• ディープラーニングを用いて PHP アプリケーションにおける複雑なコード脆弱性を検出する課題に対処すること。
• 構文構造と意味的コード意味の両方を統合的にモデル化することで、検出精度を向上させること。
• 合成データおよび実世界のデータセットの両方でモデルを評価し、実用的応用性を確保すること。
• 広く使われているソフトウェare において以前に未知であった脆弱性を発見することで、モデルの有効性を検証すること。

提案手法

• DeepTective は、PHP ソースコードの順序的構造をモデル化するために Gated Recurrent Units (GRUs) を採用する。
• 抽象構文木 (AST) として表現された構文的および意味的関係を捉えるために、Graph Convolutional Networks (GCNs) を使用する。
• GRUs と GCNs からの表現を統合して、脆弱性分類用の統一されたコード埋め込み表現を生成する。
• ラベル付きコードサンプル上でエンドツーエンドに訓練され、脆弱性を SQLi、XSS、OSCI のカテゴリに分類する。
• AST にエンコードされた制御フローやデータフロー情報を活用して、意味的理解を向上させる。
• ハイブリッドアーキテクチャにより、コード内の順序的パターンと構造的依存関係からの共同学習が可能になる。

実験結果

リサーチクエスチョン

• RQ1 GRUs と GCNs を組み合わせたハイブリッドディープラーニングモデルは、PHP コードにおける複数種類の Web 脆弱性を効果的に検出できるか？
• RQ2 DeepTective は、既存の最先端手法と比較して、現実的で実世界のデータセット上でどのように性能を発揮するか？
• RQ3 DeepTective は、生産環境ソフトウェare における以前に未知の脆弱性をどの程度一般化して検出できるか？

主な発見

• 合成データセットでは DeepTective がほぼ完璧な分類性能を達成しており、制御されたデータに対する強い学習能力を示している。
• 実世界の GitHub データセットでは DeepTective が F1 スコア 88.12% を達成し、先行手法を上回っている。
• モデルは人気のある WordPress プラグインに 4 つの新しい脆弱性を効果的に発見し、実用的検出能力を裏付けた。
• GRUs と GCNs の統合により、順序的および構造的コード特徴の効果的なモデル化が可能となり、検出精度が向上した。
• 構文的および意味的コード表現を組み合わせることで、単一のモダリティに依存する手法よりも、脆弱性検出が著しく向上することが実証された。