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

Resumo Técnico: DCVD – Fusão Cruzada de Modalidades Dupla Canal para Detecção e Localização Conjunta de Vulnerabilidades

Declaração do Problema
A detecção de vulnerabilidades em software é crítica para a segurança do sistema, mas a auditoria do mundo real exige duas capacidades distintas: determinar se uma função é vulnerável (detecção no nível da função) e identificar as linhas específicas responsáveis (localização no nível da instrução). As abordagens existentes sofrem com três limitações primárias:

1. Dependência de Fonte Única: A maioria dos métodos depende de apenas uma fonte de informação — sequencial (tokens), estrutural (grafos) ou semântica (LLMs) — falhando em explorar as forças complementares dessas modalidades. Métodos baseados em sequência perdem o fluxo de controle estrutural; métodos baseados em grafos carecem de intenção semântica de alto nível; e métodos baseados em LLMs frequentemente perdem anomalias de fluxo de controle.
2. Lacuna de Representação: Recursos estruturais (grafos) e recursos semânticos (embeddings) existem em formatos de dados e subespaços diferentes. Estratégias de fusão ingênuas (por exemplo, concatenação) falham em alinhar efetivamente essas representações heterogêneas.
3. Assimetria de Supervisão: Frameworks atuais frequentemente tratam a localização no nível da instrução como um subproduto da detecção no nível da função (por exemplo, via pesos de atenção) em vez de usar supervisão explícita no nível da linha. Essa falta de supervisão direta limita a precisão da localização e falha em aproveitar a relação sinérgica entre as duas granularidades.

Metodologia
Os autores propõem o DCVD (Detecção de Vulnerabilidades Cruzada de Modalidades Dupla Canal), um framework unificado projetado para otimizar conjuntamente a detecção no nível da função e a localização no nível da instrução. A arquitetura consiste em três componentes principais:

1. Codificador Duplo Canal:

   • Ramo Estrutural: Utiliza Redes de Atenção em Grafos (GATs) para processar duas representações de grafos derivadas da análise estática: a Árvore de Sintaxe Abstrata (AST) para hierarquia sintática e o Grafo de Fluxo de Controle (CFG) para fluxo de execução. Este ramo pondera adaptativamente nós de controle (por exemplo, verificações de limites, ramificações condicionais) relevantes para vulnerabilidades.
   • Ramo Semântico: Aproveita um Modelo de Linguagem Grande (LLM) para gerar explicações em linguagem natural sobre a funcionalidade do código e comportamentos de segurança potenciais. Essas explicações são combinadas com os embeddings do código-fonte por meio de uma camada compartilhada para capturar a intenção funcional e a semântica de API que a análise estrutural pode perder.

2. Fusão Cruzada de Modalidades:

   • Alinhamento Contrastivo: Antes da fusão, o framework alinha as representações estruturais e semânticas em um espaço de alta dimensão compartilhado usando aprendizado contrastivo. Isso reduz a lacuna de distribuição entre as duas modalidades.
   • Atenção Cruzada Bidirecional: Os recursos alinhados passam por uma interação profunda via atenção cruzada bidirecional. A representação estrutural consulta os recursos semânticos e vice-versa, permitindo que cada modalidade atenda seletivamente aos elementos mais informativos da outra. A representação fundida resultante é processada adicionalmente por um Transformer de múltiplas camadas (GraphCodeBERT) para capturar dependências de longo alcance e contexto entre linhas.

3. Supervisor Multigranular:

   • Este módulo realiza treinamento conjunto com supervisão explícita em dois níveis:
     • Nível de Função: Um ramo de classificação prevê se uma função é vulnerável.
     • Nível de Instrução: Um ramo de localização prevê pontuações de vulnerabilidade para linhas específicas, agregando pontuações no nível de token para o nível de linha.
   • A função de perda total combina a perda no nível de função, a perda no nível de instrução e a perda de alinhamento contrastivo, permitindo que as duas tarefas otimizem colaborativamente uma à outra.

Principais Contribuições

• Codificador Duplo Canal: Uma arquitetura paralela que combina extração de dependência de controle baseada em GAT com extração semântica aprimorada por LLM, capturando informações de vulnerabilidade multidimensionais.
• Módulo de Fusão Cruzada de Modalidades: Um mecanismo inovador que usa alinhamento contrastivo e atenção cruzada bidirecional para bridar a lacuna entre recursos estruturais de grafos e recursos semânticos textuais, permitindo fusão complementar profunda.
• Supervisor Multigranular: Um framework de treinamento que incorpora supervisão explícita no nível da instrução juntamente com supervisão no nível de função, indo além da atribuição baseada em atenção indireta para alcançar otimização colaborativa.
• Superioridade Empírica: O framework demonstra desempenho superior consistente em relação aos métodos mais avançados em ambas as tarefas de detecção e localização.

Resultados Experimentais
Os experimentos foram conduzidos no BigVul, um conjunto de dados de vulnerabilidades C/C++ em grande escala do mundo real contendo tanto rótulos no nível de função quanto anotações no nível de instrução.

• Detecção no Nível de Função: O DCVD alcançou uma pontuação F1 de 94,84% e Recall de 92,32%, superando a linha de base mais forte (MatsVD) em +1,03 e +1,95, respectivamente.
• Localização no Nível de Instrução: Sob os protocolos de Duas Fases e Uma Fase, o DCVD melhorou as pontuações F1 em aproximadamente 1,25% a 2,15% em relação às linhas de base.
• Classificação de Localização: O DCVD melhorou significativamente as métricas de classificação, alcançando uma precisão Top-1 de 93,80% (vs. 92,77 para MatsVD) e reduzindo a Média do Primeiro Posto (MFR) de 2,46 para 1,77, indicando maior precisão na classificação das linhas vulneráveis no topo.
• Estudos de Ablação: A remoção de qualquer componente (Estrutura, Semântica, Fusão ou Supervisão Multitarefa) resultou em degradação de desempenho, confirmando que a supervisão explícita no nível de instrução não apenas auxilia a localização, mas também reforça a detecção no nível de função.

Significado e Alegações
O artigo afirma que o DCVD aborda as limitações fundamentais da modelagem de fonte única e estratégias de localização indireta. Ao efetivamente bridar a lacuna de representação cruzada de modalidades e introduzir supervisão multigranular explícita, o DCVD permite uma otimização colaborativa de detecção e localização. Os autores afirmam que essa abordagem unificada fornece uma solução mais robusta para auditoria de segurança no mundo real, onde identificar as linhas específicas de código responsáveis por vulnerabilidades é tão crítico quanto detectar a presença da própria vulnerabilidade. O código está disponível para facilitar pesquisas futuras.