计算机与软件工程学院科研团队在国际TOP期刊发表论文

近日，计算机与软件工程学院唐明伟教授所在科研团队撰写的学术论文“A vulnerability detection algorithm based on residual graph attention networks for source code imbalance (RGAN) ”被国际著名人工智能TOP期刊（中科院SCI一区）《Expert Systems with Applications》（IF：8.5）录用并在线发表。

在当今数字化时代，软件系统已经深入到社会生活的各个领域，特别是在通信、金融、医疗、能源和交通等重要领域发挥着关键作用。随着软件系统日益变得复杂，为了确保其安全性，及时检测其中潜在的漏洞已显得尤为紧要。然而，当前的漏洞检测方法逐渐难以满足不断增长的需求。因此，智能的漏洞检测方法已经成为不可或缺的一部分。这些方法能够提供更高效、更精确的漏洞检测，有助于维护软件系统的安全性。该文主要针对软件中的潜在漏洞检查方面的忽略，结构特征和不平衡性等问题，提出了基于源代码不平衡残差图注意网络（RGAN）的漏洞智能检测算法。

Highlights

• Obtaining accurate information about the nodes and global features in the proposed model.

• Residual Graph Attention Network Model (RGAN) improves the combination of local and global feature information.

• Mean biaffine attention pooling mechanism (M-BFA) enhances the final graph representation.

• Weighted cross-entropy loss module handles unbalanced samples more effectively.