[논문 리뷰] Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation

Yufan Zhuang, Sahil Suneja외 4명|arXiv (Cornell University)|2021. 09. 07.

Software Engineering Research참고 문헌 48인용 수 19

한 줄 요약

이 논문은 소프트웨어 취약성을 딥러닝을 통해 탐지하기 위해 분리된 코드 그래프(코드의 다중 파싱된 표현)를 활용하는 새로운 그래프 신경망(GNN)을 제안한다. 다중 표현 집합과 세밀한 레이블 인식 손실을 통해 의미적 및 구조적 프로그램 특징을 융합함으로써, 두 개의 실세계 데이터셋에서 텍스트, 이미지 및 일반적인 그래프 기반 방법들을 능가하는 뛰어난 탐지 정확도를 보여준다.

ABSTRACT

Identifying vulnerable code is a precautionary measure to counter software security breaches. Tedious expert effort has been spent to build static analyzers, yet insecure patterns are barely fully enumerated. This work explores a deep learning approach to automatically learn the insecure patterns from code corpora. Because code naturally admits graph structures with parsing, we develop a novel graph neural network (GNN) to exploit both the semantic context and structural regularity of a program, in order to improve prediction performance. Compared with a generic GNN, our enhancements include a synthesis of multiple representations learned from the several parsed graphs of a program, and a new training loss metric that leverages the fine granularity of labeling. Our model outperforms multiple text, image and graph-based approaches, across two real-world datasets.

연구 동기 및 목표

• 정적 분석에서 비안전한 코드 패tern을 수작업으로 열거하는 문제를 해결하기 위해 기계학습을 통해 자동으로 탐지하는 것.
• 그래프 표현을 활용해 코드의 의미적 맥락과 구조적 규칙성을 모두 포착함으로써 취약성 탐지 성능을 향상시키는 것.
• 일반적인 GNN의 한계를 극복하기 위해 파싱된 코드 그래프의 다중 표현 집합을 도입하는 것.
• 세밀한 레이블 기반 손실 함수를 도입하여 모델 성능을 향상시키는 것.

제안 방법

• 단일 프로그램으로부터 다수의 파싱된 코드 그래프(예: AST, CFG, PDG)를 생성하여 분리된 표현을 구성한다.
• 이러한 다수의 그래프 유형을 통해 노드 임베딩을 집계하는 그래프 신경망을 적용하여 특징 학습을 풍부하게 한다.
• 다양한 그래프 유형의 표현을 결합하기 위해 학습 가능한 어텐션 메커니즘을 활용하여 관련된 구조적 및 의미적 특징을 강조한다.
• 노드별 취약성 레이블을 포함하는 새로운 학습 손실 함수를 도입하여 최적화 과정에서 세밀한 감독을 가능하게 한다.
• 클래스 불균형 데이터를 고려하여 가중치가 적용된 교차 엔트로피 손실을 사용하여, 레이블이 부여된 취약성과 함께 코드 컬렉션에서 엔드 투 엔드로 모델을 훈련시킨다.
• 실세계 데이터셋 두 개에서 프레임워크를 평가하여 텍스트 기반, 이미지 기반, 표준 GNN 모델과의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 다양한 파싱된 코드 그래프를 조합한 딥러닝 모델이 단일 그래프 또는 텍스트 기반 접근 방식을 뛰어넘어 취약성 탐지 성능을 향상시킬 수 있는가?
• RQ2 노드별 세밀한 취약성 레이블을 통합할 경우, 굵은 레이블 기반 접근 방식과 비교해 모델 성능에 어떤 영향을 미치는가?
• RQ3 다중 표현 집합이 취약성을 나타내는 의미적 및 구조적 패턴을 포착하는 데 모델의 능력을 얼마나 향상시키는가?
• RQ4 노드별 감독을 통한 제안된 손실 함수는 일반화 능력과 탐지 정확도 향상에 기여하는가?
• RQ5 실세계 취약성 탐지 벤치마크에서 F1 점수, 정밀도 및 재현율 측면에서 제안된 모델은 최신 기술 대비 어떤 성능을 보이는가?

주요 결과

• 제안된 모델은 두 개의 실세계 데이터셋에서 최신 기술 수준의 성능을 달성하여, 텍스트 기반, 이미지 기반 및 일반적인 GNN 접근 방식을 모두 능가한다.
• AST, CFG 및 PDG 표현을 조합한 분리된 코드 그래프의 사용이 탐지 정확도 향상에 상당한 기여를 한다.
• 노드별 취약성 레이블을 활용하는 세밀한 손실 함수는 모델의 일반화 능력을 향상시키고, 거짓 음성(false negatives)을 감소시킨다.
• 모델은 다양한 프로그래밍 언어와 취약성 유형에 걸쳐 뛰어난 성능을 보이며, 강력한 일반화 능력을 나타낸다.
• 절단 실험(ablation studies)을 통해 다중 표현 융합과 고유한 손실 함수 모두가 성능 향상에 기여한다는 것이 확인되었다.