“ 近年来，针对基于深度学习的软件漏洞检测，一个现实而棘手的问题逐渐显现出来：模型往往“知道有漏洞”，却并不真正“理解漏洞”。大量方法将漏洞检测视为一个标准的分类问题，通过学习代码特征直接输出“有 / 无漏洞”的判断。这类方法在同分布数据上表现良好，但在跨项目、跨版本、跨漏洞模式场景下，泛化能力往往不足。
针对这一问题，论文提出 DeepVulMatch，从“分类”转向“匹配”，通过学习潜在漏洞表示，在代码之间进行语义层面的漏洞匹配，并同时支持函数级与语句级的双粒度检测。 ”
📄论文标题：DeepVulMatch: Learning and Matching Latent Vulnerability Representations for Dual-Granularity Vulnerability Detection
📅发表时间：IEEE TRANSACTIONS ON RELIABILITY , 2025
🏫作者单位：墨尔本大学、莫纳什大学
💡开源代码：https://github.com/awsm-research/DeepVulMatch
01—方法介绍
如图1所示，每个函数都包含一条具有相似漏洞范围的漏洞代码行。这表明，即使两个函数包含相同的CWE-787越界写入漏洞，特定的易受攻击代码行也可能以不同的方式编写，并位于代码的不同部分。因此，对于深度学习（DL）模型而言，识别代码行级别的漏洞具有挑战性。
图 1. 在这两个函数中，CWE-787（越界写入）漏洞是由不恰当的数据类型赋值触发的。
DeepVulMatch 的核心思想可以概括为一句话：漏洞并不是孤立存在的标签，而是一类可复用、可匹配的语义模式。为此，论文不再直接预测“是否有漏洞”，而是引入潜在漏洞表示，并通过匹配机制判断代码是否与已知漏洞模式相似。
整体流程可概括为三步：
① 漏洞表示学习
从已知漏洞代码中学习通用的潜在漏洞向量表示。
② 双粒度建模
同时构建函数级与语句级代码表示。
③ 相似度匹配
通过表示匹配判断目标代码是否包含漏洞模式。
图 2. DEEPVULMATCH的处理框架
小结：DeepVulMatch关注的不是“像不像漏洞代码”，而是“是否匹配某类漏洞语义”。
02—关键机制
- 从分类到匹配，将漏洞检测转化为漏洞语义匹配问题。
- 潜在漏洞表示，显式建模漏洞的可复用语义特征。
- 双粒度检测，统一支持函数级判断与语句级分析。
- 更强泛化能力，缓解对数据分布与项目背景的依赖。
模块 | 设计思路 | 作用 |
|---|---|---|
潜在漏洞表示 | 从漏洞样本中学习抽象语义 | 刻画漏洞共性特征 |
函数级建模 | 捕获整体逻辑与调用关系 | 实现粗粒度漏洞检测 |
语句级建模 | 关注关键操作与局部语义 | 实现细粒度定位 |
匹配机制 | 基于表示相似度进行判断 | 提升泛化与跨项目能力 |
小结：匹配机制是 DeepVulMatch 区别于传统分类方法的关键。
03—实验结果
为了识别函数级和行级的漏洞，实验选择了Big-Vul数据集和D2A数据集，因为它们是两个最大的带有行级漏洞标签的漏洞数据集。
（1）表1展示了DEEP-VULMATCH方法与其他12种基线方法在函数和行级方面的实验结果。DEEP-VULMATCH取得了82%的行级F1分数，相较于最佳基线方法VELVET提高了32%。
表1. 在BIG-VUL和D2A数据集上，DEEPVULMATCH与12种基线方法的比较（%）
（2）表2展示了DEEPVULMATCH方法与几种基线方法的训练时间。DEEPVULMATCH在保持与基于Transformer的模型相当的训练时间的同时，在行级漏洞检测方面表现出显著的性能提升。
表2. 训练DEEPVULMATCH和基线方法的训练时间
小结：DEEPVULMATCH从训练数据中收集漏洞模式，并使用最优传输（OT）和向量量化（VQ）从模式集合中学习一个更紧凑的漏洞码本。在推理过程中，码本会匹配所有学习到的模式，并检测给定程序中的潜在漏洞。
📌 总结
DeepVulMatch 为漏洞检测提供了一种新的建模范式：不再执着于标签预测，而是让模型理解并复用漏洞语义。
通过潜在漏洞表示与双粒度匹配机制，该方法在检测性能、泛化能力与定位能力之间取得了更好的平衡，也为后续漏洞模式迁移与解释性分析提供了良好基础。
📣 欢迎留言讨论
你认为“匹配式漏洞检测”是否比传统分类方法更具工程价值？
在真实漏洞库持续演化的场景下，潜在漏洞表示应如何维护与更新？
📌 点赞 + 收藏 + 分享，你的支持，是我们持续解析高水平软件安全论文的最大动力！
 与 YOLO V3 (Darknet53) 在 RTX 3060 上的推理速度对比)