买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉武汉纺织大学申请的专利一种基于汇编语言与深度学习的漏洞定位方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115455421B 。

龙图腾网通过国家知识产权局官网在2025-08-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210967311.X，技术领域涉及：G06F21/57；该发明授权一种基于汇编语言与深度学习的漏洞定位方法是由彭涛;吕星航;曹文丽;胡新荣;何儒汉;汤俊伟;刘军平;张自力设计研发完成，并于2022-08-12向国家知识产权局提交的专利申请。

本一种基于汇编语言与深度学习的漏洞定位方法在说明书摘要公布了：本发明提出了一个基于汇编语言和深度学习的高精度漏洞定位方法，它可以实现漏洞检测的高检测能力和高定位精度。首先对C语言程序进行编译和反汇编，获得含有地址信息的汇编代码。然后，使用addr2line生成汇编代码和源代码行号之间的映射，并将汇编代码切成函数单元，得到代码块，将其编码为向量，作为神经网络模型的输入。最后，提出BILSTM‑LOC模型来学习漏洞特征和预测漏洞位置。实验结果表明，本发明在现有数据集和真实世界软件产品的漏洞检测中都比目前最先进的漏洞检测方法表现出更高的性能。

本发明授权一种基于汇编语言与深度学习的漏洞定位方法在权利要求书中公布了：1.一种基于汇编语言与深度学习的漏洞定位方法，其特征在于，包含以下步骤： 步骤A，编译源代码为目标代码，利用GDB反汇编目标代码，得到包含地址信息的汇编代码，并进一步得到包含源代码行号的汇编代码，然后获取目标代码中的所有可调试函数，以函数为单位对每一个完整的汇编代码切片，得到多个代码块，其中源代码包括所有的训练样本和测试样本； 步骤B，对代码块进行标记：查询训练样本数据集提供的描述文件，如果代码块中包含已知漏洞，将其标记为1，反之则将其标记为0； 步骤C，将训练样本代码块编码为向量并输入至搭建好的神经网络模型中训练，所述神经网络模型为BILSTM-LOC模型，该模型包括输入层、标准BILSTM层、和定位层； 步骤C中BILSTM-LOC模型的具体结构如下； 步骤C1，输入层：在输入到神经网络模型之前，每一个被标记过的代码块被编码为向量，然后统一向量长度；设置输入到神经网络的向量长度为δ，其中δ为代码块的长度；如果向量长度小于δ，则在其末尾补0，如果向量长度大于δ，则从末尾裁剪长度大于δ的部分；每一个token被编码为长度为θ的向量并且每一个代码块被编码为长度为“δ×θ×β”的向量，其中，θ为每一个token编码后得到的向量长度，β表示每一行汇编指令的最大数目； 步骤C2，标准BILSTM层：经过编码得到固定长度的向量被输入到标准BILSTM层用于学习漏洞特征，标准BILSTM层由两个标准的BILSTM层、失活层、全连接层和激活层组成，其中失活层用于防止神经网络过拟合，而全连接层和激活层用于得到预测结果； 步骤C3，定位层：将输入的一个批次大小的代码块对应的BILSTM的输出表示为： y＝[γ1γ2…γμ-1γμ]T1 μ的取值范围为1≤μ≤batchsize，batchsize表示批次大小；γμ表示为： 指的是一个代码块中每一行汇编指令对应的输出，δ代表代码块的长度；为了让存在漏洞的节点受到更多关注，在BILSTM的输出上乘以01Matrix，表示为M，用于保留存在漏洞的节点信息同时去除与漏洞无关的节点信息，M可以表示为： 其中mμ,δ按照以下原则计算：已知代码块对应的源代码行号表示为集合Cbμ＝{l1,l2…ln}，1≤n≤δ，δ代表代码块的长度；已知真实漏洞行号为v，对于存在漏洞的代码块ln＝v，设mμn＝1，反之设mμn＝0；对于不存在漏洞的代码块，设mμn＝1； 得到矩阵M后乘以BILSTM的输出，然后利用K最大池化层挑选出每一个代码块对应的输出的前k个最大的值，即神经网络预测的前k个最重要的信息，这些k个最大的值被输入到全局平均池化层中计算平均值，得到输出ω，其定义为： ω＝AverageMaxkγμM＝t1,t2…tμ-1,tμ4 函数Maxk计算预测值的k个最大值，函数Average用于计算中k个最大值的平均值，tμ表示每一个代码块对应的输出； 步骤D，在测试阶段使用训练好的BILSTM-LOC模型进行测试样本的漏洞检测和定位。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉纺织大学，其通讯地址为：430073 湖北省武汉市洪山区纺织路1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。