[논문 리뷰] DeepTective

Rishi Rabheru, Hazim Hanif외 1명|arXiv (Cornell University)|2021. 03. 22.

Web Application Security Vulnerabilities참고 문헌 6인용 수 1

한 줄 요약

DeepTective는 Gated Recurrent Units (GRUs)와 Graph Convolutional Networks (GCNs)를 결합한 딥러닝 프레임워크로, PHP 소스 코드의 SQL 인젝션, XSS, OSCI 취약점을 탐지하기 위해 문법적 및 의미적 코드 구조를 모델링한다. 이 프레임워크는 실세계 GitHub 데이터셋에서 F1 스코어 88.12%를 기록했으며, 워드프레스 플러그인에서 네 가지 새로운 취약점을 발견했다.

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.

연구 동기 및 목표

• 딥러닝을 활용해 PHP 애플리케이션의 복잡한 코드 취약점을 탐지하는 과제를 해결하기 위해.
• 문법적 구조와 의미적 코드 의미를 동시에 모델링하여 탐지 정확도를 향상시키기 위해.
• 모델의 실용적 적용 가능성을 보장하기 위해 합성 및 실세계 데이터셋 모두에서 평가하기 위해.
• 광범위하게 사용되는 소프트웨어에서 이전에 알려지지 않은 취약점을 발견함으로써 모델의 효과성을 검증하기 위해.

제안 방법

• DeepTective는 PHP 소스 코드의 순차적 구조를 모델링하기 위해 Gated Recurrent Units (GRUs)를 활용한다.
• 그것은 추상 구문 트리(abstract syntax trees, ASTs)로 표현된 문법적 및 의미적 관계를 포착하기 위해 Graph Convolutional Networks (GCNs)를 사용한다.
• GRUs와 GCNs의 표현을 융합하여 취약점 분류를 위한 통합된 코드 임베딩을 생성한다.
• 모델은 레이블이 부여된 코드 샘플에 대해 엔드 투 엔드로 훈련되어, 취약점을 SQLi, XSS, OSCI 카테고리로 분류한다.
• 더 나은 의미 이해를 위해 ASTs에 인코딩된 제어 흐름 및 데이터 흐름 정보를 활용한다.
• 하이브리드 아키텍처는 코드의 순차적 패턴과 구조적 의존성에서 동시에 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 GRUs와 GCNs를 결합한 하이브리드 딥러닝 모델은 PHP 코드에서 다양한 유형의 웹 취약점을 효과적으로 탐지할 수 있는가?
• RQ2 기존 최고 수준의 접근 방식과 비교해, DeepTective는 현실적인 실세계 데이터셋에서 어떻게 성능을 발휘하는가?
• RQ3 DeepTective는 생산 소프트웨어에서 이전에 알려지지 않은 취약점을 탐지하는 데 얼마나 일반화될 수 있는가?

주요 결과

• 합성 데이터셋에서 DeepTective는 거의 완벽한 분류 성능를 기록하여 제어된 데이터에서 강력한 학습 능력을 보였다.
• 실세계 GitHub 데이터셋에서 DeepTective는 F1 스코어 88.12%를 달성했으며, 이는 이전의 접근 방식을 능가하는 성능였다.
• 모델은 인기 있는 워드프레스 플러그인에서 네 가지 새로운 취약점을 성공적으로 발견하여 실용적인 탐지 능력을 검증했다.
• GRUs와 GCNs의 통합은 순차적 및 구조적 코드 특징을 효과적으로 모델링할 수 있게 하여 탐지 정확도를 향상시켰다.
• 결과는 문법적 및 의미적 코드 표현을 결합하는 것이 단일 모odal에 의존하는 방법보다 취약점 탐지 성능을 크게 향상시킨다는 것을 보여주었다.