[发明专利]基于深度随机森林的指令脆弱性预测方法及系统

权利要求书

1.一种基于深度随机森林的指令脆弱性预测方法，其特征在于，包括以下步骤：

步骤1，对训练程序进行静态分析，提取各条程序指令与指令脆弱性相关的指令特征信息，生成该条程序指令对应的表征指令脆弱性的指令特征向量V_features；所述表征指令脆弱性的指令特征向量V_features为下列7元组：

V_features＝V_{tran_bran},V_comp,V_addr,V_mask,V_loop,V_arith,V_block

式中，V_{tran_bran}表示转移及分支相关指令特征，包括分支相关特征f_{is_branch}、函数调用相关特征f_{is_call}、返回指令特征f_{is_return}；V_comp表示比较指令相关特征，包括整型比较指令特征f_{is_int_cmp}、浮点型比较指令特征f_{is_float_cmp}；V_addr表示地址指令相关特征，包括地址指令引用特征f_{is_used_in_add}、目的操作指令的地址宽度特征f_{dest_op_width}、存储指令特征f_{is_used_stroe}；V_mask表示错误屏蔽相关特征，包括逻辑与指令特征f_{is_and}、逻辑或指令特征f_{is_or}、逻辑移位指令特征f_{is_sh}；V_loop表示循环指令相关特征，包括循环位置指令特征f_{is_loop}、循环深度特征f_{loop_d}；V_arith表示算数运算相关特征，包括：加减法指令特征f_{is_add/sub}、乘除法指令特征f_{is_mul/div}；V_block表示与基本块信息相关特征，包括：基本块长度特征f_{bb_length}、基本块内待执行指令条数特征f_{bb_remain_ins_num}、前驱基本块数目特征f_{pred_bb_num}、后继基本块数目特征f_{suc_bb_num}；

步骤2，对训练程序进行故障注入，获取各条程序指令脆弱性值P_SDC(I_i)；

步骤3，结合所述指令特征向量V_features和指令脆弱性值P_SDC(I_i)，生成指令脆弱性样本数据集D，该数据集中的每一条样本S包括某条程序指令对应的指令特征向量V_features和脆弱性值P_SDC(I_i)；

步骤4，通过滑动窗口模型对所述指令脆弱性样本数据集D进行滑动采样，获得样本数据的指令序列性拓展特征，生成拓展样本数据集；所述通过滑动窗口模型对所述指令脆弱性样本数据集D进行滑动采样，获得样本数据的指令序列性拓展特征，生成拓展样本数据集，具体包括：

令m的初始值为2，m∈N^*，2≤m≤p，p∈N^*，p值自定义设置；

步骤4-1，构建滑动窗口模型为：

W_m＝m×n

式中，W_m为滑动窗口宽度大小，n为指令脆弱性样本数据集D中每一条样本S的特征数，同时为滑动窗口的滑动步长；

步骤4-2，将指令脆弱性样本数据集D中的M条样本拼接为一个新的样本E_i，E_i的特征数为M×n；

步骤4-3，利用滑动窗口模型对样本E_i进行滑动采样，获得M+1-m个大小为W_m的样本；

步骤4-4，利用两个随机森林回归模型对M+1-m个大小为W_m的样本进行训练，获得2(M+1-m)个回归值作为拓展特征；其中训练时的样本标签值为从M条样本中随机选取的某一条样本的标签值，标签值即为脆弱性值P_SDC(I_i)；

步骤4-5，令m递增1，判断m是否大于p，若否，则返回步骤4-1，反之输出整个循环过程获得的(p-1)×(2M-p)维拓展特征；

步骤4-6，将每一条样本S的原n维特征与(p-1)×(2M-p)维拓展特征进行拼接，获得该条样本S对应的(p-1)×(2M-p)+n维特征的拓展样本，由此生成拓展样本数据集；

步骤5，基于拓展样本数据集，构建并训练基于深度随机森林的指令脆弱性预测模型；

步骤6，根据步骤1的过程提取待预测目标程序的指令特征向量，并结合步骤5获得的指令脆弱性预测模型实现对待预测目标程序的指令脆弱性预测。