Detection of vulnerability clones based on deep learning

Kurzfassung

Diese Dissertation präsentiert einen neuartigen Ansatz zur Verbesserung der Softwaresicherheit durch die Erkennung von Schwachstellenklonen - Codefragmenten, die sowohl funktionale Ähnlichkeiten als auch die gleiche Art von Sicherheitslücke aufweisen, wie sie in den CWE-Kategorien (Common Weakness Enumeration) definiert sind. Im Gegensatz zu herkömmlichen statischen Analysetools oder regelbasierten Systemen nutzt diese Arbeit Deep Learning, insbesondere Transformer-basierte Modelle, um diese Klone auch in großen und veralteten Codebasen effizient zu erkennen. Moderne Softwaresysteme, insbesondere solche die auf der Programmiersprache C basieren, sind aufgrund ihrer Low-Level-Speicherkontrolle sehr anfällig für Sicherheitslücken. Die Wiederverwendung von unsicherem Code - häufig durch Kopieren und Einfügen oder im Rahmen von Regressionen - führt zur erneuten Einführung oder Duplizierung von Schwachstellen über Versionen oder sogar über Projekte hinweg. Herkömmliche statische Analysetools haben mit semantischen Schwachstellenklonen (Typ 4) Schwierigkeiten bei der Erkennung, und die meisten ML-basierten Tools adressieren entweder Codeklone oder Schwachstellen, aber nicht beides. Die Dissertation formalisiert das Konzept als Codepaare, die sowohl Funktionalität als auch eine spezifische Schwachstelle gemeinsam haben. Mithilfe der Juliet Test Suite (C-Version) wurden Code-Snippets gefiltert, refraktioniert und gepaart, um gekennzeichnete Datensätze mit Schwachstellenklonen zu erstellen. Zwei vortrainierte Transformer-Modelle - CodeBERT und CodeT5 - wurden an die Anforderungen angepasst und verglichen, um Schwachstellenklone mithilfe einer siamesischen Architektur zur Verarbeitung von Codepaaren zu erkennen. Transformer-basierte Modelle konnten Schwachstellenklone präzise identifizieren und übertrafen dabei klassische Tools und frühere ML-Ansätze in verschiedenen Szenarien. Es wurde zwischen Copy-Paste- und Regressionsklonen unterschieden und anhand realer Fallstudien aus Projekten wie TensorFlow und OpenSSH analysiert. Diese Arbeit fördert die automatisierte Schwachstellenerkennung, indem sie eine bisher wenig erforschte Schnittstelle zwischen Klonerkennung und Schwachstellenanalyse anspricht. Damit wird ermöglicht, aus früheren Fehlern zu lernen und die Sicherheit mit bereits bekannten Softwarefixes zu verbessern. Diese Arbeit bietet eine skalierbare, datenbasierte Alternative zur regelbasierten Analyse und kann dazu beitragen, sowohl neue als auch bestehende Codebasen zu sichern. Zu den zukünftigen Zielen gehören die projektübergreifende Generalisierung, eine verbesserte Erklärbarkeit und die Integration in CI/CD-Pipelines über visuelle Dashboards.