“近年来，基于图的漏洞检测方法（如 AST/CFG/PDG + GNN）在准确率上取得了显著进展，但也逐渐暴露出一个核心问题：代码图越来越复杂，但模型并没有因此变得更聪明。冗余节点、无关依赖与噪声边不仅增加计算成本，还会干扰关键信息传播，导致性能下降。

针对这一挑战，研究团队提出一种自适应代码图简化（Self-Adaptive Code Graph Simplification） 框架ANGEL，在不牺牲关键信息的前提下，自动压缩代码图结构，从而实现更准确、更高效的漏洞检测。”

• 📄 论文标题：Keep It Simple: Self-Adaptive Code Graph Simplification for Accurate Vulnerability Detection

• 📅 发表时间： IEEE Transactions on Software Engineering ,2025

• 🏫 作者单位：国防科技大学、海南大学等

• 💡开源代码：https://github.com/XinPeng97/ANGEL

01

—

方法介绍

图1展示了基于图的尖端漏洞检测器AMPLE在三个数据集上不同节点数量分区下的准确率。以Reveal数据集为例，AMPLE在(0, 25]区间内达到92.25%的准确率，但当节点数超过100时其效能显著下降（例如节点数大于300时准确率仅为46.85%）。这些结果表明，随着代码图规模扩大，当前最先进的漏洞检测技术性能会急剧下降。

图 1.在Devign、Reveal和Big-Vul数据集上，不同节点数量下的准确率

ANGEL的核心思想可以概括为一句话：并非所有代码结构都同等重要，关键在于“保留什么、丢弃什么”。整体流程包括三步：

① 原始代码图构建：

从源代码中构建包含 AST / CFG / PDG 的联合程序图，完整表达语法、控制与数据依赖。

② 自适应图简化：

通过节点重要性评估与结构感知策略，动态裁剪冗余节点与弱相关边。

③ 简化图漏洞检测：

将压缩后的图输入 GNN 进行表示学习与漏洞分类。

图 2. ANGEL 框架

小结：ANGEL并不追求“更复杂的模型”，而是从输入结构本身入手，通过简化让模型专注于真正与漏洞相关的语义。

02

—

关键机制

1. 自适应图简化机制,无需人工规则, 模型可自动学习哪些结构应被保留。
2. 与模型无关,图简化模块可无缝集成至多种 GNN 漏洞检测模型。
3. 噪声鲁棒性更强,显著降低无关代码结构对漏洞预测的干扰。
4. 效率与精度双提升,在减少节点数量的同时提升检测效果。
    

模块	实现方式	主要作用
多视图程序图	融合 AST、CFG、PDG 构建统一代码图	全面表达程序结构与依赖关系
节点重要性评估	基于结构位置与语义特征的自适应打分	识别对漏洞判定更关键的节点
图结构简化策略	动态裁剪低重要性节点与弱边	降低噪声与计算复杂度
下游漏洞检测	GNN + 分类器	在简化图上实现更稳定的漏洞预测

小结：ANGEL通过“先简化、再学习”的策略，有效缓解了代码图过密、过噪带来的性能瓶颈。

03

—

实验结果

研究团队在多个主流漏洞检测数据集上评估了ANGEL，包括：Devign、ReVeal和Big-Vul。与基线工作对比的结果如下：

表1. 不同软件漏洞检测方法的性能比较（F1指标）

模型	Devign	ReVeal	Big-Vul
VulDeePecker	43.73	12.82	10.42
PILOT	52.53	26.40	20.51
IVDetect	47.30	20.10	16.53
MGVD	51.75	27.76	20.34
AMPLE	52.80	32.58	21.95
KIS-GNN (本文)	60.22	37.41	31.49

图3. 基于T-SNE算法的漏洞二分类结果可视化

小结： ANGEL展现出更优异的性能表现，在准确率（ACC）和F1分数方面均超越所有基线方法。相较于表现最佳的基线模型AMPLE，ANGEL在三个数据集上实现了F1分数14.0%-43.4%的提升。可视化分析进一步表明，ANGEL比基线方法更有效地捕捉了代码中的关键信息。

📌 总结

ANGEL提供了一种全新的视角：漏洞检测的关键不只是更复杂的模型，而是更干净、更聚焦的程序表示：减少无关结构噪声、提升 GNN 表达稳定性、增强工业级可扩展性。这一工作为未来的漏洞检测研究提供了重要启示：在模型能力趋于饱和的背景下，输入结构优化可能是下一个突破口。

📣 欢迎留言讨论

• 你认为代码图应该“越全越好”，还是“越精越好”？

• 在实际工业场景中，图简化是否会带来可解释性上的新优势？

📌 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！