开源软件与实时系统教育部工程研究中心N05ec网络空间安全团队与浙江大学计算机学院的合作研究论文《Bridging the Gaps between Graph Neural Networks and Data-Flow Analysis: The Closer, the Better》近日在挪威特隆赫姆举办的国际会议The ACM SIGSOFT International Symposium on Software Testing and Analysis (ISSTA 2025)中获得杰出论文奖(ACM SIGSOFT Distinguished Paper Award)。这是兰州大学信息科学与工程学院成果首次入选该会议并获得论文奖项。
ISSTA是CCF推荐的软件工程领域A类国际会议。论文作者包括浙江大学于清晨博士，兰州大学信息科学与工程学院刘新副教授、周庆国教授，浙江大学吴春明教授，其中刘新副教授与吴春明教授为本文的共同通讯作者。
深度神经网络在编程任务应用方面的最新进展在实践中取得了显著成功，这促使人们对这些模型在执行传统程序分析技术方面的能力产生了兴趣。数据流分析(Data-flow analysis, DFA)作为一种经典且成熟的程序分析方法，为评估神经网络在该领域的能力提供了机会。考虑到DFA和图神经网络(Graph Neural Networks, GNNs)之间的结构相似性，研究团队探索了GNNs在多大程度上能够有效地模拟DFA算法。基于神经算法推理(Neural Algorithmic Reasoning, NAR)中的算法对齐概念，研究团队识别了两个关键挑战：DFA中使用的位向量的非干涉性和算法不同阶段对外部信息的复杂处理。为了解决这些不足，研究团队提出了三种GNN架构——DFA-GNN-、DFA-GNN和DFA-GNN+，它们与DFA算法的对齐程度逐渐提高。结果表明，具有更高算法对齐的GNN，例如DFA-GNN+，表现出卓越的泛化能力和样本效率，仅用最少的训练数据就能精确地扩展到10倍大的输入。值得注意的是，研究团队发现仅使用输入-输出对训练的GNN可以与使用完整执行轨迹监督训练的模型达到竞争性能。这一发现突出了GNN在与目标算法进行算法对齐时，在推理任务中的效率和鲁棒性。
论文信息：
Yu Q, Liu X, Zhou Q, et al. Bridging the Gaps between Graph Neural Networks and Data-Flow Analysis: The Closer, the Better[J]. Proceedings of the ACM on Software Engineering, 2025, 2(ISSTA): 686-706.
团队介绍：
N05ec是兰州大学开源软件与实时系统教育部工程研究中心旗下的网络空间安全研究团队，以开源安全治理和AIGC攻防为主要研究特色。近五年来，团队主持或参与了包括国家重点研发计划、甘肃省重点研发计划在内的各类型研究课题十余项，在TDSC、MM、ISSTA等顶级学术期刊和会议上发表了二十余篇研究论文，四项攻防研究成果入选Black Hat、HITB等顶级黑客会议，一项理论研究成果入选ESI高被引论文。在学科竞赛方面，团队先后获得了全国大学生信息安全竞赛全国二等奖、全国高校网络安全管理运维赛全国二等奖、甘肃省大学生信息安全实践赛特等奖等多个奖项。