一种基于图文注意力对齐的跨编程语言漏洞检测方法

本发明涉及计算机软件安全与深度学习源码分析，尤其涉及一种基于图文注意力对齐的跨编程语言漏洞检测方法。

背景技术：

1、随着软件规模的急剧膨胀与开源组件的广泛应用，源代码漏洞已成为网络安全的最大隐患之一。实际业务中，不同项目往往采用不同的编程语言（如c, java, python,rust等）进行混合开发。漏洞逻辑在不同编程语言中的语法表征存在巨大差异，但其底层的逻辑破坏意图（如cwe-79 跨站脚本、cwe-89 sql注入等）往往是同源的。

2、现有技术主要存在如下问题：

3、1. 模型跨语言泛化能力差：传统基于规则或单模态深度学习（如仅使用纯文本表示）的模型严重依赖训练集的特定语法特征。模型在c/c++等源语言上训练后，面对未见过的目标语言（如ruby、rust）时，特征提取能力会失效，难以实现跨语言的迁移。

4、2. 多视图结构割裂破坏底层逻辑：现有图神经网络检测方案通常将抽象语法树（ast）、控制流图（cfg）和数据流图（dfg）作为三个独立的图结构进行割裂式处理，不仅导致显存开销巨大，更切断了“语法定义-控制跳转-数据污染”这一完整的漏洞证据链。

5、3. 图网络池化存在灾难性噪声稀释：在进行代码长度对齐时，通常会引入大量填充（padding）操作。传统的全局均值池化（global mean pool）会将这些无效的零节点计算在内，导致真实的微弱漏洞特征被海量噪声严重稀释。

6、4. 多模态融合易产生梯度震荡：将预训练大语言模型与随机初始化的图神经网络直接对接时，特征分布的不一致极易引发梯度爆炸（gradient explosion）或模型崩溃。

7、5. 极端不平衡数据下缺乏自适应决策：真实场景中的漏洞样本比例极低（如15:1），传统模型采用固定的0.5决策阈值，导致极高的误报率，使得静态安全审计工具失去实际可用性。

8、因此，亟需一种能够消除异构语言语法差异、保持统一结构逻辑、剔除对齐噪声，并具备跨语言泛化能力的深度学习漏洞检测方案。

技术实现思路

1、本发明的目的在于提供一种基于图文注意力对齐的跨编程语言漏洞检测方法，以解决长文本代码跨语言泛化差、图谱特征稀释以及多视角对齐困难的技术问题。

2、为实现上述目的，本发明采用如下技术方案：

3、本发明不再将异构源码视为孤立的字符序列，而是通过统一解析引擎、双流并行编码、注意力掩码绝对对齐和有监督对比学习，构建“cpg构图—图文双流提取—掩码无损池化—联合损失跨语言对齐—动态决策”的完整闭环：

4、1. 数据流图谱转换模块负责消除不同编程语言的字面差异，将异构源码统一转换为包含词汇的token序列与单一代码属性图（cpg）；

5、2. 双流特征联合编码模块负责利用跨语言预训练的代码大模型提取代码语义向量，并利用图卷积网络（gcn）提取cpg拓扑维度的深层逻辑特征；

6、3. 注意力掩码无损池化模块负责引入transformer注意力掩码作为图节点门控，精确剔除padding噪声，实现图文特征空间的1:1绝对对齐与层归一化；

7、4. 特征拼接感知模块负责拼接多模态特征，并通过多层感知机映射生成用于指示代码安全状态的二分类预测逻辑值（安全或存在漏洞）；

8、5. 跨语言动态决策优化模块负责在极度不平衡的正负样本分布下，基于精确率-召回率（pr）曲线在跨语言验证集上自适应确定最佳分类置信度阈值，从而在统一的特征空间中，实现跨语言漏洞特征的高精确率二分类识别。

9、与现有技术相比，本发明至少具有以下有益效果：

10、1. 实现高级别的跨语言泛化：通过有监督对比损失（supconloss）对齐特征空间，使模型在仅使用部分语言训练的情况下，仍能高精度检测未见过的异构目标编程语言漏洞。

11、2. 消除特征割裂与显存瓶颈：通过构建单一融合的cpg拓扑图取代孤立的ast/cfg/dfg，完整保留了漏洞触发的上下文逻辑链，且大幅降低了图神经网络的计算复杂度。

12、3. 解决特征稀释问题：引入注意力掩码无损池化（attention-masked pooling）机制，精准屏蔽占位符噪声，显著提升了模型对微弱漏洞特征的捕捉能力。

13、4. 提升极端不平衡数据下的精确率：通过自适应的 pr 曲线寻优与梯度防爆策略，有效降低了工业应用中的误报率，具备极高的实际部署价值。

1.一种基于图文注意力对齐的跨编程语言漏洞检测方法，其特征在于，包括：数据流图谱转换模块、双流特征联合编码模块、注意力掩码无损池化模块、特征拼接感知模块与动态决策边界优化模块。

2.根据权利要求1所述的方法，其特征在于，所述数据流图谱转换模块所处理的数据输入格式为.pt后缀的张量文件，其中包含了对源文件解析后的扁平化节点特征、边索引结构以及对应是否存在漏洞的二分类长整型标签（label）。

3.根据权利要求1所述的方法，其特征在于，所述双流特征联合编码模块中，预训练的代码大模型采用microsoft/graphcodebert-base，输出的文本首位分类向量与图特征的隐藏层维度（hidden_size）均统一设定为768维。

4.根据权利要求1所述的方法，其特征在于，所述双流特征联合编码模块中，第一层图卷积网络（gcnconv）输出后经过relu激活函数过滤，再传入第二层图卷积网络，以在统一的代码属性图拓扑中捕获跨语言语法差异的长程逻辑破坏或数据越界风险。

5.根据权利要求1所述的方法，其特征在于，所述注意力掩码无损池化模块的降噪与均值逻辑具体表现为：将提取的注意力掩码在末尾增加维度并转换为浮点型（mask_expanded），与图卷积网络输出的张量进行逐元素相乘后沿序列维度求和，随后除以注意力掩码沿序列维度求和的有效计数值，其中对有效计数值引入不小于 1e-9 的截断约束以防止除零异常，从而将不同语言的代码特征无损投影至同一对齐空间。

6.根据权利要求1所述的方法，其特征在于，所述特征拼接感知模块中，多层感知机分类器由线性映射层、gelu激活函数、失活率为0.1的dropout层以及最终分类层依次串接组成，最终输出包含两个类别的特征向量。

7.根据权利要求1所述的方法，其特征在于，在训练阶段采用交叉熵损失函数（crossentropyloss），各模块参数应用全局学习率，引入余弦退火学习率调度器（cosineannealinglr），并通过限定最大梯度范数（max_norm=1.0）抑制多源特征流在跨语言反向传播时的梯度爆炸问题。

8.根据权利要求1所述的方法，其特征在于，所述动态决策边界优化模块在模型评估阶段，通过执行precision_recall_curve计算获取所有候选阈值下的查准率与查全率，计算调和平均数f1并取最大值索引对应的阈值作为所述最佳分类置信度阈值，从而在漏洞代码数量远小于安全代码数量的不平衡检测场景中，抑制模型倾向于预测安全样本的归纳偏置。

9.一种基于图文注意力对齐的跨编程语言漏洞检测方法，其特征在于，所述方法包括以下步骤：