“随着软件规模与复杂度不断增长，自动化漏洞发现成为保障软件供应链安全的关键环节。传统方法往往依赖单一表示或浅层特征，难以捕获程序中的长程依赖与复杂语义关系。为此，来自 燕山大学 的团队提出了 GTVD（Full-Dependency Program Graph + Multi-Level Aggregation），通过更丰富的图表示与多层消息聚合策略，提升函数级漏洞检测的表示能力与识别精度。”
📄论文标题：GTVD: a multi-level aggregation vulnerability detection method based on full-dependency program graph
📅发表时间：Cluster Computing, 2025
🏫作者单位：燕山大学
01
—
方法介绍
GTVD 的核心思想是用一种更完整的图表示结合多层聚合与自适应加权，解决传统 GNN 在长程依赖与信息衰减上的弱点。整体流程包括：FDPG（Full Dependency Program Graph）构建 → 节点向量化 → 多层消息聚合（MLMA）→ 自适应加权聚合（WAG）→ MLP 分类。
图 1. GTVD框架
小结：FDPG 通过集成 AST/CFG/PDG 并加入反向边与自环，增强了图结构的表达能力；MLMA 扩展了节点的感受野；WAG 则通过注意力/加权机制动态调整节点对全局表示的贡献。
02
—
关键机制
- FDPG：
用反向边和自环补全依赖，避免信息单向流失。
- MLMA：
一次迭代中融合多阶邻域信息，提升对复杂依赖的捕获。
- WAG：
引入自适应加权避免简单均匀聚合导致的噪声传播。
机制 | 实现方式 | 主要作用 |
|---|---|---|
Full Dependency Program Graph (FDPG) | 整合 CPG（AST/CFG/PDG），补入反向边与自环 | 全面编码语法与语义依赖，增强长程关系表达 |
Multi-Level Message Aggregation (MLMA) | 多阶消息传递，按不同邻域阶数聚合节点信息 | 扩大节点感受野，缓解信息衰减 |
Adaptive Weighted Aggregation (WAG) | 多头注意力 + MLP 动态计算节点权重 | 根据上下文调整节点贡献，提高图级表示质量 |
分类器 | MLP + Softmax（二分类） | 将图表示映射到漏洞/非漏洞标签 |
03
—
实验结果
作者在三个公开大规模数据集上进行了全面评估：FFmpeg&Qemu、BigVul、Reveal。数据集统计与训练细节见论文；训练采用 8:1:1 划分，超参与收敛行为在文中有详细说明（Epoch 收敛约 90 轮）。
FFmpeg & Qemu：
模型 | A | P | R | F1 |
|---|---|---|---|---|
VulDeePecker | 49.91 | 46.05 | 32.55 | 38.14 |
SySeVR | 47.85 | 46.06 | 58.81 | 51.66 |
Russell | 57.60 | 54.76 | 40.72 | 46.71 |
IVDetect | 57.26 | 52.37 | 57.55 | 54.84 |
BovdGFE | 56.46 | 50.18 | 50.63 | 47.27 |
AMPLE | 62.16 | 55.64 | 83.99 | 66.94 |
GRACE | 59.78 | 53.94 | 82.13 | 65.11 |
| GTVD (本文) | 61.39 | 56.27 | 60.53 | 52.32 |
BigVul:
模型 | A | P | R | F1 |
|---|---|---|---|---|
VulDeePecker | 81.19 | 38.44 | 12.75 | 19.15 |
SySeVR | 90.10 | 30.91 | 14.08 | 19.34 |
Russell | 86.85 | 14.86 | 26.97 | 19.17 |
IVDetect | 87.14 | 17.22 | 34.04 | 22.87 |
BovdGFE | 88.94 | 25.38 | 28.17 | 30.29 |
AMPLE | 93.14 | 22.98 | 34.58 | 32.11 |
GRACE | 90.73 | 32.52 | 39.08 | 35.50 |
| GTVD (本文) | 93.91 | 38.02 | 56.88 | 32.27 |
Reveal:
模型 | A | P | R | F1 |
|---|---|---|---|---|
VulDeePecker | 76.37 | 21.13 | 13.10 | 16.17 |
SySeVR | 68.51 | 16.21 | 52.68 | 24.79 |
Russell | 81.77 | 31.55 | 61.14 | 41.62 |
BovdGFE | 88.72 | 40.16 | 43.73 | 35.42 |
AMPLE | 92.71 | 51.06 | 46.15 | 48.48 |
GRACE | 89.73 | 33.21 | 61.53 | 43.13 |
| GTVD (本文) | 90.52 | 61.76 | 68.38 | 48.83 |
小结：GTVD 在三套数据集上的综合性能优于大多数基线：在 Accuracy 上对比最新基线的提升分别为FFmpeg&Qemu +1.61%,BigVul +3.18%,Reveal +0.79%；此外在 Recall 指标上，GTVD 在 BigVul 与 Reveal 上分别最小提升了17.8%与6.85%.
📌 总结
GTVD 通过三项设计（FDPG、MLMA、WAG）解决了图表示在长程依赖与信息衰减上的痛点，实现了在多数据集上的稳健提升。该方法对函数级漏洞检测尤为适用，并为将来把图表示与 LLM/混合方法结合提供了可行的方向。论文也指出未来工作将扩展到更多语言与跨项目泛化研究。
📣 欢迎留言讨论
你更看好“更丰富的图表示 + 更强的 GNN”路线，还是“把图结构信息以检索/提示的方式喂给 LLM”路线？
在企业级审计中，FDPG 这类复杂表示的工程成本是否值得？
📌 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！
