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.
