标签：function Binary search semantic dynamic emulation Learning Semantic 精度

Abstract

Learning based clone detection
优点: 某种程度上解决了传统dynamic search approach和static search approach存在的高time overhead的问题
缺点：精度受限，在工业使用中往往需要人工检查TopM search results

本文工作：
提出工具VulSeeker-Pro

• 特点：在语义学习后端集成了function semantic emulation（函数语义模拟）
• 优点：解决了需要人工检查的问题
• 步骤：
  1. 使用基于predictor的semantic learning来快速预测top-M candidate function，这些function是最可能使得target binary产生bug的
  2. 将这些topM candidates放入emulation engine，再获取topN candidate functions
  这里，semantic learning起到了快速筛选作用，而emulation则实现了dynamic trace generation。
  效果：搜索精度提升，time overhead少
  实验：
  对象：6个工业软件，15个已知CVE
  结果：精度明显更高
  具体结果：
• 在45次搜索中，top1中有40次真bug，top5则是43次
• 比Gemini的精度高出12.33倍和2.58倍
• 只需要多花大概0.22秒

标签：function,Binary,search,semantic,dynamic,emulation,Learning,Semantic,精度
来源： https://www.cnblogs.com/xuesu/p/14214130.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。