論文の概要: Know Your Neighborhood: General and Zero-Shot Capable Binary Function Search Powered by Call Graphlets

• arxiv url: http://arxiv.org/abs/2406.02606v1
• Date: Sun, 2 Jun 2024 18:26:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 23:39:37.228357
• Title: Know Your Neighborhood: General and Zero-Shot Capable Binary Function Search Powered by Call Graphlets
• Title（参考訳）: 近所の人を知る:コール・グラフレットで使える一般機能とゼロショット機能
• Authors: Joshua Collyer, Tim Watson, Iain Phillips,
• Abstract要約: 本稿では,コールグラフレットと呼ばれる新しいグラフデータ表現を組み合わせた,新しいグラフニューラルネットワークアーキテクチャを提案する。 特殊なグラフニューラルネットワークモデルは、このグラフ表現で操作するように設計され、セマンティックコードの類似性を符号化する特徴ベクトルにマッピングすることを学ぶ。 実験により,コールグラフレットと新しいグラフニューラルネットワークアーキテクチャの組み合わせにより,最先端の性能が達成された。
• 参考スコア（独自算出の注目度）: 0.7646713951724013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Binary code similarity detection is an important problem with applications in areas like malware analysis, vulnerability research and plagiarism detection. This paper proposes a novel graph neural network architecture combined with a novel graph data representation called call graphlets. A call graphlet encodes the neighborhood around each function in a binary executable, capturing the local and global context through a series of statistical features. A specialized graph neural network model is then designed to operate on this graph representation, learning to map it to a feature vector that encodes semantic code similarities using deep metric learning. The proposed approach is evaluated across four distinct datasets covering different architectures, compiler toolchains, and optimization levels. Experimental results demonstrate that the combination of call graphlets and the novel graph neural network architecture achieves state-of-the-art performance compared to baseline techniques across cross-architecture, mono-architecture and zero shot tasks. In addition, our proposed approach also performs well when evaluated against an out-of-domain function inlining task. Overall, the work provides a general and effective graph neural network-based solution for conducting binary code similarity detection.
• Abstract（参考訳）: バイナリコードの類似性検出は、マルウェア分析、脆弱性調査、盗作検出といった分野のアプリケーションにとって重要な問題である。 本稿では,コールグラフレットと呼ばれる新しいグラフデータ表現を組み合わせた,新しいグラフニューラルネットワークアーキテクチャを提案する。 コールグラフレットは、各関数の周辺をバイナリ実行ファイルにエンコードし、一連の統計的特徴を通じて局所的およびグローバルなコンテキストをキャプチャする。 専門的なグラフニューラルネットワークモデルは、このグラフ表現で操作するように設計され、深いメトリック学習を使用してセマンティックコードの類似性を符号化する特徴ベクトルにマッピングすることを学習する。 提案されたアプローチは、異なるアーキテクチャ、コンパイラツールチェーン、最適化レベルをカバーする4つの異なるデータセットで評価されている。 実験結果から,コールグラフレットと新しいグラフニューラルネットワークアーキテクチャの組み合わせは,クロスアーキテクチャ,モノアーキテクチャ,ゼロショットタスク間のベースライン技術と比較して,最先端のパフォーマンスを実現することが示された。 さらに,提案手法は,ドメイン外関数インライン化タスクに対して評価した場合にも有効である。 全体的な研究は、バイナリコードの類似性検出を実行するための、汎用的で効果的なグラフニューラルネットワークベースのソリューションを提供する。

関連論文リスト

• Graphcode: Learning from multiparameter persistent homology using graph neural networks [0.06138671548064355]
  グラフコードは、2つの実数値スケールパラメータに沿ってフィルタリングされるデータセットを処理する。 グラフコードは情報的かつ解釈可能な要約を与える。 グラフニューラルネットワークを使用して、機械学習パイプラインに簡単に統合できる。
  論文  参考訳（メタデータ） (2024-05-23T08:22:00Z)
• Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision [51.88848982611515]
  教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。 本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。 我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-03-08T05:23:55Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• UniG-Encoder: A Universal Feature Encoder for Graph and Hypergraph Node Classification [6.977634174845066]
  グラフおよびハイパーグラフ表現学習のための普遍的特徴エンコーダ(UniG-Encoder)が設計されている。 アーキテクチャは、連結ノードのトポロジ的関係をエッジやハイパーエッジに前方変換することから始まる。 符号化されたノードの埋め込みは、投影行列の変換によって記述された逆変換から導かれる。
  論文  参考訳（メタデータ） (2023-08-03T09:32:50Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
  グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。 CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。 提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
  論文  参考訳（メタデータ） (2020-10-25T22:39:31Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Deep Graph Matching Consensus [19.94426142777885]
  この研究は、グラフ間の構造的対応を学習し、精製するための2段階のニューラルアーキテクチャを示す。 まず、グラフニューラルネットワークによって計算された局所化ノード埋め込みを用いて、ノード間のソフト対応の最初のランキングを得る。 第2に、同期メッセージパッシングネットワークを用いて、ソフト対応を反復的に再ランクし、グラフ間の局所的な近傍で一致したコンセンサスに到達する。
  論文  参考訳（メタデータ） (2020-01-27T08:05:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。