DCVD: Dual-Channel Cross-Modal Fusion for Joint Vulnerability Detection and Localization

Résumé Technique : DCVD – Fusion Croisée Modale à Double Canal pour la Détection et la Localisation Conjoints des Vulnérabilités

Énoncé du Problème
La détection des vulnérabilités logicielles est cruciale pour la sécurité des systèmes, pourtant l'audit en conditions réelles exige deux capacités distinctes : déterminer si une fonction est vulnérable (détection au niveau fonction) et identifier précisément les lignes responsables (localisation au niveau instruction). Les approches existantes souffrent de trois limitations principales :

1. Dépendance à une Source Unique : La plupart des méthodes ne s'appuient que sur une seule source d'information — séquentielle (tokens), structurelle (graphes) ou sémantique (LLM) — échouant à exploiter les forces complémentaires de ces modalités. Les méthodes basées sur les séquences négligent le flux de contrôle structurel ; les méthodes basées sur les graphes manquent l'intention sémantique de haut niveau ; et les méthodes basées sur les LLM omettent souvent les anomalies de flux de contrôle.
2. Écart de Représentation : Les caractéristiques structurelles (graphes) et sémantiques (embeddings) existent dans des formats de données et des sous-espaces différents. Les stratégies de fusion naïves (par exemple, la concaténation) échouent à aligner efficacement ces représentations hétérogènes.
3. Asymétrie de Supervision : Les cadres actuels traitent souvent la localisation au niveau instruction comme un sous-produit de la détection au niveau fonction (par exemple, via des poids d'attention) plutôt que d'utiliser une supervision explicite au niveau ligne. Ce manque de supervision directe limite la précision de la localisation et échoue à exploiter la relation synergique entre les deux granularités.

Méthodologie
Les auteurs proposent DCVD (Détection de Vulnérabilité Croisée Modale à Double Canal), un cadre unifié conçu pour optimiser conjointement la détection au niveau fonction et la localisation au niveau instruction. L'architecture se compose de trois composants principaux :

1. Encodeur à Double Canal :

   • Branche Structurelle : Utilise des Réseaux d'Attention de Graphes (GAT) pour traiter deux représentations de graphes dérivées de l'analyse statique : l'Arbre de Syntaxe Abstraite (AST) pour la hiérarchie syntaxique et le Graphe de Flux de Contrôle (CFG) pour le flux d'exécution. Cette branche pondère de manière adaptative les nœuds de contrôle (par exemple, vérifications de limites, branches conditionnelles) pertinents pour les vulnérabilités.
   • Branche Sémantique : Exploite un Grand Modèle de Langage (LLM) pour générer des explications en langage naturel de la fonctionnalité du code et des comportements de sécurité potentiels. Ces explications sont combinées aux embeddings du code source via une couche partagée pour capturer l'intention fonctionnelle et la sémantique des API que l'analyse structurelle pourrait manquer.

2. Fusion Croisée Modale :

   • Alignement Contrastif : Avant la fusion, le cadre aligne les représentations structurelles et sémantiques dans un espace de haute dimension partagé en utilisant l'apprentissage contrastif. Cela réduit l'écart de distribution entre les deux modalités.
   • Attention Croisée Bidirectionnelle : Les caractéristiques alignées subissent une interaction profonde via une attention croisée bidirectionnelle. La représentation structurelle interroge les caractéristiques sémantiques et vice versa, permettant à chaque modalité de se concentrer sélectivement sur les éléments les plus informatifs de l'autre. La représentation fusionnée résultante est ensuite traitée par un Transformer multi-couches (GraphCodeBERT) pour capturer les dépendances à longue portée et le contexte inter-lignes.

3. Superviseur Multi-Granularité :

   • Ce module effectue un entraînement conjoint avec une supervision explicite à deux niveaux :
     • Niveau Fonction : Une branche de classification prédit si une fonction est vulnérable.
     • Niveau Instruction : Une branche de localisation prédit des scores de vulnérabilité pour des lignes spécifiques, agrégeant les scores au niveau token vers le niveau ligne.
   • La fonction de perte totale combine la perte au niveau fonction, la perte au niveau instruction et la perte d'alignement contrastif, permettant aux deux tâches de s'optimiser mutuellement de manière collaborative.

Contributions Clés

• Encodeur à Double Canal : Une architecture parallèle combinant l'extraction de dépendances de contrôle basée sur les GAT avec l'extraction sémantique améliorée par les LLM, capturant des informations de vulnérabilité multidimensionnelles.
• Module de Fusion Croisée Modale : Un mécanisme novateur utilisant l'alignement contrastif et l'attention croisée bidirectionnelle pour combler l'écart entre les caractéristiques structurelles de graphe et les caractéristiques sémantiques textuelles, permettant une fusion complémentaire profonde.
• Superviseur Multi-Granularité : Un cadre d'entraînement qui intègre une supervision explicite au niveau instruction aux côtés de la supervision au niveau fonction, allant au-delà de l'attribution indirecte basée sur l'attention pour réaliser une optimisation collaborative.
• Supériorité Empirique : Le cadre démontre une performance constamment supérieure aux méthodes de l'état de l'art sur les tâches de détection et de localisation.

Résultats Expérimentaux
Les expériences ont été menées sur BigVul, un ensemble de données de vulnérabilités C/C++ à grande échelle du monde réel contenant à la fois des étiquettes au niveau fonction et des annotations au niveau instruction.

• Détection au Niveau Fonction : DCVD a obtenu un score F1 de 94,84 % et un Rappel de 92,32 %, surpassant la meilleure ligne de base (MatsVD) de +1,03 et +1,95 respectivement.
• Localisation au Niveau Instruction : Selon les protocoles Deux-Phases et Une-Phase, DCVD a amélioré les scores F1 d'environ 1,25 % à 2,15 % par rapport aux lignes de base.
• Classement de Localisation : DCVD a considérablement amélioré les métriques de classement, atteignant une précision Top-1 de 93,80 % (contre 92,77 pour MatsVD) et réduisant le Rang Moyen Premier (MFR) de 2,46 à 1,77, indiquant une précision supérieure dans le classement des lignes vulnérables en tête.
• Études d'Ablation : La suppression de n'importe quel composant (Structure, Sémantique, Fusion ou Supervision Multi-Tâche) a entraîné une dégradation des performances, confirmant que la supervision explicite au niveau instruction aide non seulement la localisation mais renforce également la détection au niveau fonction.

Signification et Revendications
L'article revendique que DCVD adresse les limitations fondamentales de la modélisation à source unique et des stratégies de localisation indirectes. En comblant efficacement l'écart de représentation croisée modale et en introduisant une supervision explicite multi-granularité, DCVD permet une optimisation collaborative de la détection et de la localisation. Les auteurs affirment que cette approche unifiée fournit une solution plus robuste pour l'audit de sécurité en conditions réelles, où l'identification des lignes de code spécifiques responsables des vulnérabilités est aussi cruciale que la détection de la présence de la vulnérabilité elle-même. Le code est rendu disponible pour faciliter la recherche ultérieure.