随着生产力水平的发展,人们对于软件功能的需求不断增加,导致软件的体系结构也随之变得复杂,无形之中提高了软件中可能存在安全缺陷的概率。此外,代码复用也会给漏洞的传播提供可乘之机。一旦这些安全漏洞被不法分子所利用,所造成的损失不可估量。因此,如何保证软件安全成为人们亟待解决的问题。随着深度学习技术在图像领域以及自然语言处理领域获得了巨大的成功,大量的信息安全研究人员也开始使用深度学习的方法来进行漏洞检测。然而,目前基于深度学习的漏洞检测方法大多使用单个图来进行源代码表征,并没有完整的保留源代码中所有的语法、语义、控制流等信息,导致在代码表征过程中出现信息丢失的现象。此外在进行特征学习时单纯的将漏洞特征输入到深度学习模型当中,并没有考虑到其中与漏洞关联度较低的特征,将会对模型的性能产生影响。针对上述问题,本文提出了基于图神经网络的漏洞智能检测方法,具体的研究内容如下:（1）由于目前信息安全领域内缺乏大规模、有效的源代码数据集,本研究利用爬虫程序从NVD、Github等网站收集数据样本。首先从漏洞公开披露网站获取含有漏洞的源代码文件;其次利用人工的方式来对含有错误信息的样本数据进行修改,从而得到一个含有49736个样本的漏洞数据库;最后通过代码切片、抽象语法树提取、控制流图提取等操作分别得到源代码对应的抽象语法树以及控制流图,将其作为后续模型训练与测试的样本数据。（2）针对漏洞检测模型,使用了基于注意力机制的消息传递网络模型来进行漏洞检测。首先将源代码视为文本序列,通过token-focused方法来进行代码图特征的构建,并使用PL（Programming Language）模型中的预训练模块来进行节点的初始化。在特征学习过程中,通过使用通道空间注意力机制将输入的特征分别进行平均池化和最大池化操作,对于漏洞相关的特征赋予更高的权重,提升模型对于漏洞相关节点信息的敏感度,从而使得模型性能得到有效提升。实验结果表明,该模型的漏洞检测精度优于其他基于的自然语言处理的深度学习模型。（3）针对目前代码表征过程中出现的信息缺失、信息不丰富问题,本文提出了源代码表征方法Multi-Graph Fusion,使用抽象语法树以及控制流图来进行代码表征。并且使用了MGFN（Multi-Graph Fusion Network）模型,分别对两个特征向量进行提取。在特征融合方面,考虑到抽象语法树和控制流图对于漏洞检测结果的不同影响,为了更好的融合两种尺度的特征,本文使用了基于注意力机制的注意力特征融合（Attentional Feature Fusion,AFF）。该方法分别将两个向量输入到MS-CAM模块中,通过两个通道来进行局部和全局的特征融合,利用sigmod激活函数获得不同特征的权值,并利用该权重对于输入的两个向量进行加权平均,从而得到最终的融合特征。综合以上内容,本文利用所提出的基于图神经网络的漏洞检测模型在所构建的数据集上进行对比实验。实验结果表明,与现有的模型相比,该模型在此数据集上的精确率提高了13%;召回率至少提高了11%;F1分数则提高了10%。