基于图和代码切片的可解释性漏洞检测方法

来源：电子与信息学报杂志2026年第1期北京时间：

作者：高文超, 索建华, 张傲

单位：中国矿业大学(北京)人工智能学院 北京 100083

摘要：深度学习已被广泛应用于漏洞检测，其主流方法可分为基于代码序列和基于代码图两类：前者易因忽视结构而误报，后者则难以捕获执行顺序。此外，两者普遍缺乏可解释性，难以定位漏洞根源。为此，该文提出一种基于图和代码切片的可解释性漏洞检测方法GSVD。该模型通过门控图卷积网络提取代码多维度图(AST, DDG, CDG)的结构语义，并结合“污点”分析驱动的代码切片与双向长短时记忆网络，精准捕获代码序列特征，实现二者优势互补。同时，引入HITS算法思想，设计VDExplainer解释器，直观揭示了模型的决策过程。实验表明，GSVD在Devign数据集上准确率达64.57%，优于多种基线模型，证明了其在有效检测漏洞的同时，能实现代码行级的可解释定位。

关键词：漏洞检测, 深度学习, 图神经网络, 代码切片, 可解释性

基金资助：中央高校基本科研业务费项目(2024ZKPYZN01)，龙软科技基金