[发明专利]一种检测漏洞方法与电子设备

说明书

一种检测漏洞方法与电子设备。本申请涉人工智能(artificial intelligence，AI)、机器学习等领域。该方法包括：提取漏洞库中的已知漏洞类型的漏洞文件的联合特征向量，所述联合特征向量包括所述漏洞文件的显性特征向量和隐性特征向量；其中，所述显性特征向量包括与所述漏洞文件的代码相关的显性特征，所述隐性特征向量包括通过卷积神经网络对所述显性特征向量处理得到分类结果的上一层的参数；基于所述联合特征向量，识别待检测文件的漏洞类型，有助于提升漏洞识别的准确率。

技术领域

本申请涉及终端技术领域，尤其涉及一种检测漏洞方法与电子设备。

背景技术

随着网络信息化的快速发展，网络信息安全逐渐成为用户关切的问题。大多数网络攻击都是由于某些软件漏洞引起的。软件漏洞可以窃取用户信息，对用户隐私造成威胁。

业界提出漏洞防御方法，即检测漏洞并修补漏洞。目前较为前沿的漏洞检测方法是通过机器学习算法进行漏洞检测。但是，目前进行漏洞检测的机器学习算法主要从漏洞文件中的代码的语法中提取漏洞特征，然后基于该漏洞特征识别待检测文件中的漏洞。

由于代码的语法种类数较少，从代码的语法中提取的漏洞特征较为单一，所以通过机器学习算法也仅能识别少数种类的漏洞，对于复杂的漏洞，无法识别，所以现有技术漏洞检测的准确性较低。

发明内容

本申请的目的在于提供了一种检测漏洞方法与电子设备，该方法可以提升漏洞检测准确性。

上述目标和其他目标将通过独立权利要求中的特征来达成。进一步的实现方式在从属权利要求、说明书和附图中体现。

第一方面，本申请实施例提供一种检测漏洞方法，该方法包括：提取漏洞库中的已知漏洞类型的漏洞文件的联合特征向量，所述联合特征向量包括所述漏洞文件的显性特征向量和隐性特征向量；其中，所述显性特征向量包括与所述漏洞文件的代码相关的显性特征，所述隐性特征向量包括通过卷积神经网络对所述显性特征向量处理得到分类结果的上一层的参数；基于所述联合特征向量，识别待检测文件的漏洞类型。

需要说明的是，本申请实施例中，电子设备学习已知漏洞类型的漏洞文件的显性特征向量和隐性特征向量，然后基于显性特征向量和隐性特征向量，识别待检测文件的漏洞类型，提升了漏洞检测的准确性。

在一种可能的设计中，学习漏洞库中的已知漏洞类型的漏洞文件的联合特征，包括：提取所述漏洞文件的显性特征向量，所述显性特征向量包括函数类型向量A和函数结构向量V；所述函数类型向量A包括所述漏洞文件的漏洞类型的相关参数，所述函数结构向量V包括所述漏洞文件中存在的编程语言标准库函数；根据所述函数结构向量V和所述卷积神经网络，确定隐性特征向量，所述函数类型向量A和所述隐性特征向量构成所述联合特征向量。

需要说明的是，本申请实施例中，电子设备学习已知漏洞类型的漏洞文件的显性特征向量和隐性特征向量，具体的，根据显性特征向量中的函数结构向量V和卷积神经网络，确定隐性特征向量，然后基于显性特征向量和隐性特征向量，识别待检测文件的漏洞类型，提升了漏洞检测的准确性。

在一种可能的设计中，根据所述函数结构向量V和所述卷积神经网络，确定隐性特征向量，包括：所述卷积神经网络包括至少一层卷积层，至少一层池化层，至少一层全连接层；将所述函数结构向量V作为所述卷积神经网络的输入，运行所述卷积神经网络；将所述卷积神经网络的中所述至少一层全连接层中最后一层全连接层的参数作为所述隐性特征向量。

需要说明的是，本申请实施例中，电子设备学习已知漏洞类型的漏洞文件的显性特征向量和隐性特征向量，具体的，将显性特征向量中的函数结构向量V输入卷积神经网络，将所述卷积神经网络的中所述至少一层全连接层中最后一层全连接层的参数作为所述隐性特征向量，然后基于显性特征向量和隐性特征向量，识别待检测文件的漏洞类型，提升了漏洞检测的准确性。