随着网络安全技术的发展,软件漏洞安全问题也层出不穷。针对漏洞利用检测而言,控制流完整性检测技术成为其中重要手段之一。近年来,随着深度学习开始应用在控制流完整性检测领域,研究成效也随之逐步提高,但仍忽略了控制流的部分时序性、结构性的特点,提取的特征不够深入且无法很好的挖掘长序列控制流特征,相关异常检测模型处于探索中。本文借助基于英特尔处理器跟踪的程序动态监控技术,通过处理器硬件实现了对控制流数据的提取及解码,恢复程序运行时的控制流的基本块执行序列,其中包括漏洞利用的执行流程。针对控制流特征提取仍未足够深入的问题,本文结合图神经网络与基本块特征提取,提出基于Deep Walk的基本块序列特征向量化算法,针对基本块序列特点改进游走策略,提取基本块序列部分结构特征与序列特征,完成基本块节点的序列特征向量化。此外,还提出基于GraphSAGE的基本块结构特征向量化算法,使用基本块抽象编码算法结合基本块的频率特征和属性特征,并运用无监督的采样和聚合算法完成基本块节点的结构特征向量化。针对长序列特征不显著问题,本文结合循环神经网络与控制流异常检测,提出多尺度双向长短期记忆网络模型,增加了检测的精度。本文针对Adobe Reader软件完成实验验证,包括传统机器学习对比实验、基于图神经网络的特征提取对比试验、控制流完整性检测对比实验。实验表明了本文的控制流完整性检测模型具有高精度、高检出率、低误报率的特点,异常评分测试与控制流覆盖率测试也达到了良好效果。