“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！