当今计算机程序漏洞的危害不容小觑,计算机程序漏洞的增长率也在快速提升,基于此也孕育出了很多计算机漏洞检测技术。而LLVM(Low Level Virtual Machine)技术因为本身具有良好的可扩展性和高效的编译速度,所以基于LLVM的漏洞检测方法可以使得漏洞检测在语言支持和检测效率上得以突破。基于LLVM的漏洞检测方法使用到的三个关键性技术分别为:程序切片技术、Clang抽象语法树AST(Abstract Syntax Tree)、双向门控循环单元BGRU(Bidirectional Gated Recurrent Unit)神经网络模型。首先对漏洞代码构建抽象语法树,在此基础上获取定义的“程序关注点”的所有信息,其中程序关注点包括了代码中的指针,数组,表达式和库函数API等。之后对关注点在LLVM中间语言的层面上进行程序切片,得到关注点切片,这些切片是针对已有的包含漏洞信息的训练集代码切片,得到切片之后在根据已有的漏洞信息对切片加上漏洞标签来表示中间语言层面上漏洞对应的中间语言代码。最后把得到的加标签的中间语言切片输入到BGRU深度学习模型中进行训练以此来检测未知代码的程序漏洞。最后通过大量的数据测试表明,基于LLVM的漏洞检测方法的假阳性和假阴性率非常低,系统的准确率和漏洞检测系统评估率十分可观。总得来说,通过对比时下的其他几种漏洞检测方法和测试结果表明,该漏洞检测方法还是非常有效的。