[发明专利]图神经网络模型训练方法、软件缺陷检测方法及系统

权利要求书

1.一种图神经网络模型训练方法，其特征在于，包括：

根据构建的软件缺陷数据集，获取用于进行图神经网络模型训练的训练软件函数，及用于图神经网络模型训练的测试软件函数，所述训练软件函数和所述测试软件函数预先标注有初始缺陷数据；

根据所述训练软件函数对应的多维代码属性，构建所述训练软件函数对应的初始多维代码属性图，并根据所述测试软件函数对应的多维代码属性，构建所述测试软件函数对应的目标多维代码属性图；

基于所述初始多维代码属性图对初始图神经网络模型进行训练，得到训练后的图神经网络模型；

基于所述目标多维代码属性图对所述训练后的图神经网络模型进行测试，获取由所述训练后的图神经网络模型输出所述测试软件函数对应的预测缺陷数据；

在所述初始缺陷数据和所述预测缺陷数据匹配的情况下，将所述训练后的图神经网络模型作为最终的目标图神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述训练软件函数对应的多维代码属性，构建所述训练软件函数对应的初始多维代码属性图，并根据所述测试软件函数对应的多维代码属性，构建所述测试软件函数对应的目标多维代码属性图，包括：

根据所述训练软件函数的源代码对应的静态结构信息、控制流信息、变量的传递信息和函数调用信息，构建得到所述初始多维代码属性图；

根据所述测试软件函数的源代码对应的静态结构信息、控制流信息、变量的传递信息和函数调用信息，构建得到所述目标多维代码属性图。

3.根据权利要求2所述的方法，其特征在于，所述基于所述初始多维代码属性图对初始图神经网络模型进行训练，得到训练后的图神经网络模型，包括：

根据所述初始多维代码属性图中的图节点，确定所述图节点对应的节点向量；所述图节点包括所述训练软件函数的源代码和源代码类型；

根据所述初始多维代码属性图中的各条边，确定各条边对应的边向量；所述边包括边的类型和类型的属性值；

将所述节点向量和所述边向量输入至所述初始图神经网络模型，以对所述初始图神经网络模型进行训练，得到所述训练后的图神经网络模型。

4.根据权利要求2所述的方法，其特征在于，所述基于所述目标多维代码属性图对所述训练后的图神经网络模型进行测试，包括：

根据所述目标多维代码属性图中的图节点，确定所述图节点对应的节点向量；所述图节点包括所述测试软件函数的源代码和源代码类型；

根据所述目标多维代码属性图中的各条边，确定各条边对应的边向量；所述边包括边的类型和类型的属性值；

将所述节点向量和所述边向量输入至所述训练后的图神经网络模型，以对所述训练后的图神经网络模型进行测试。

5.一种软件缺陷检测方法，其特征在于，包括：

获取待测试软件函数；

根据所述待测试软件函数对应的多维代码属性，构建所述待测试软件函数对应的多维代码属性图；

将所述多维代码属性图输入至目标图神经网络模型，并获取由所述目标图神经网络模型输出的所述待测试软件函数对应的软件缺陷分类结果。

6.根据权利要求5所述的方法，其特征在于，所述根据所述待测试软件函数对应的多维代码属性，构建所述待测试软件函数对应的多维代码属性图，包括：

根据所述待测试软件函数对应的静态结构信息、控制流信息、变量的传递信息和函数调用信息，构建得到所述多维代码属性图。

7.根据权利要求6所述的方法，其特征在于，所述将所述多维代码属性图输入至目标图神经网络模型，并获取由所述目标图神经网络模型输出的所述待测试软件函数对应的软件缺陷分类结果，包括：

根据所述多维代码属性图中的图节点，确定所述图节点对应的节点向量；所述图节点包括所述软件函数的源代码和源代码类型；

根据所述多维代码属性图中的各条边，确定各条边对应的边向量；所述边包括边的类型和类型的属性值；

将所述节点向量和所述边向量输入至所述目标图神经网络模型，并获取由所述目标图神经网络模型输出的所述待测试软件函数对应的软件缺陷分类结果。