买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学申请的专利基于神经网络和专家规则结合的漏洞检测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116226849B 。

龙图腾网通过国家知识产权局官网在2026-04-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310029452.1，技术领域涉及：G06F21/56；该发明授权基于神经网络和专家规则结合的漏洞检测方法及系统是由王冠;刘帅设计研发完成，并于2023-01-09向国家知识产权局提交的专利申请。

本基于神经网络和专家规则结合的漏洞检测方法及系统在说明书摘要公布了：本发明涉及一种基于神经网络和专家规则结合的漏洞检测方法，包括：步骤1，使用专家规则和代码执行树将源代码转换为代码片段进而利用BiLSTM提取执行逻辑特征；步骤2，利用从步骤1中的代码片段中提取控制操作和数据操作语义，利用1D‑CNN构建操作图特征；步骤3，结合步骤1与步骤2的两种特征进行组合检测。对应该方法，本发明还给出了一种基于神经网络和专家规则结合的漏洞检测系统，包括基于专家规则和BiLSTM模型的特征提取检测模块，基于代码操作语义和CNN模型的漏洞特征提取检测模块，基于双维度特征融合的漏洞检测模块。本发明在智能合约和软件安全的两种场景中，检测的效果和场景适应鲁棒性有了很大的提升。

本发明授权基于神经网络和专家规则结合的漏洞检测方法及系统在权利要求书中公布了：1.一种基于神经网络和专家规则结合的漏洞检测方法，其特征在于，包括： 步骤1，将源代码使用专家规则提取代码片段，并转换成代码执行树中提取执行逻辑，以可识别序列作为输入，构建神经网络模型，输出可融合的结果特征； 步骤2，从步骤1中的代码片段中提取控制操作和数据操作语义，构建操作图特征，并基于统计信息的特性，突出筛选关键节点信息结构化特征，构建神经网络模型，输出可融合的结果特征； 步骤3，结合步骤1与步骤2的两种特征进行组合检测，使用测试数据集进行量化评价； 所述步骤1中将源代码使用专家规则提取代码片段，并转换成代码执行树中提取执行逻辑具体包括： 步骤11，使用专家规则提取代码片段：在该过程中，代码程序被专家规则漏洞，通过含有关键点的一个或多个片段来表示整段程序；组成的程序片段不一定对应连续的代码行，但包含隐藏的连续关系，将代码片段与对应标签组合，形成可输入分析的代码片段； 步骤12，提取代码片段的执行树：为了获得能够理解代码片段的执行逻辑，提取执行的跳转顺序，利用代码AST工具，在该过程中为步骤11中获得代码片段构建了一颗执行树，执行树的根节点中为操作符； 步骤13，使用语言库定义操作命令字典，赋予命令数值：需要使用语言操作库建立对应的数值字典，建立为神经网络可操作分析的形式； 步骤14，遍历树的根节点，获取执行逻辑及路径和对应标签：按照执行树的构建方式遍历树的根节点，不遍历叶结点以去除不同程序中因为变量定义不同产生的噪声，并使用操作命令字典，得到有执行逻辑和路径且神经网络可操作的序列特征； 所述步骤2中从步骤1中的代码片段中提取控制操作和数据操作语义，构建操作图特征，具体包括： 步骤21，根据专家规则构建不同类型操作或调用发起节点：在此步骤中，将总结现有的专家规则，归结为几种主要模式，包括函数调用，变量调用，进程调用，循环退出；根据专家规则，函数的不同程序元素在检测漏洞时并不同等重要，分为三种类型的操作或调用发起节点：重要节点，普通节点和退出节点,为节点的个数；对于无限循环漏洞，所有循环语句被构建为重要节点，循环条件变量和自我调用被构建为重要节点； 步骤22，提取节点不同类型关联语义和操作顺序：为了捕获节点之间丰富的语义依赖关系，构造了三类关系，即控制流关系、数据流关系和退出关系；每条关系都描述了被代码片段可能穿过的路径，而关系的时间编号则代表了代表操作在函数中的顺序； 控制流关系是为条件语句或安全句柄语句构造的；数据流关系涉及到对变量的访问或修改；退出关系是为了对具体的跳出机制进行表征； 步骤23，结合节点和关联关系构建特征：关系的特征被提取为一个元组： 控制流关系特征元组：其中和表示关系的开始和结束节点，Type表示关系类型，Order表示它的时间顺序； 所述步骤2中并基于统计信息的特性，突出筛选关键节点信息结构化特征具体包括： 步骤24，基于统计节点类型的重要程度和关联关系，筛选关键节点：因为神经网络在传播信息时对于所有特征都是公平的，为了突出重要节点的效果，对与普通节点相关的关系进行删除；根据步骤21得到的不同类型节点，重要节点，普通节点，退出节点；中将删除每个起点和终点为普通节点或退出节点的关系；但将起点或终点有且一个不为重要节点的关系特征传递给最近的重要节点； 步骤25，对筛选后的节点执行合并和归一，得到结构化操作图特征：在步骤24筛选节点后，重要节点的特征由三个部分组成:重要节点本身的特征，合并到并具有从到的关系的特征;以及合并到并具有从到Ci的关系的特征；聚合后的特征为，其中表示第k顺序的关系； 所述步骤2中构建神经网络模型，输出可融合的结果特征具体包括： 步骤26，构建1D-CNN神经网络：利用Keras库中的1D-CNN建立模型，模型由三层1D-CNN、池化层、激活层和Softmax组成；输入数据为步骤25得到的特征以及样本被模型预测的分类标签； 步骤27，利用步骤25中结构化操作图特征，对步骤26中神经网络进行训练，输出神经网络连接层结果：同样利用步骤21、22、23、24和25中的方法将代码处理成可操作的特征，然后对步骤26的模型进行训练，输出神经网络连接层结果构成操作图特征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。