跨平台物联网漏洞挖掘算法评估框架设计与实现文献综述之GMN

2.4Gemini和GMN

我们采用了两种方式：Gemini和GMN。

2.4.2GMN

图神经网络（Graph Neural Networks-GNNs）是一种用于学习结构化数据及相关预测问题的方法。节点的表示被用于节点分类或生成图向量再用于分类。GMN模型针对图的相似性学习问题，提出了一种使用GNNs将图嵌入到向量空间，并通过交叉图注意机制来计算相似度分数以关联图之间的相似性的模型。

GMN模型不是独立地将每个图映射到一个嵌入向量中，而是在嵌入计算之外，在二部图的结构级别进行比较，并且模型能够正确地将容量分配给图嵌入部分或图匹配部分。对应到神经网络中，GMN改变了每个传播层的节点更新模块，不仅像之前的方法一样考虑了每个图边缘上的聚合消息，还考虑了一个交叉图匹配向量，它代表了图中的节点与另一个图中的一个或多个节点的匹配程度。

对于图同构检测这一任务，GMN模型与在图分类任务中性能较强的Weisfeiler Lehman（WL）方法进行了比较。结果显示，通过学习特定分布的图形，GMN模型能的性能始终优于WL方法，在进一步实验中发现，GMN也具有更好的泛化性能。对于二进制函数相似性检测这一任务，GMN模型与谷歌的开源函数相似性搜索工具Dullien进行了比较。结果显示，随着传播轮数的增加，图匹配模型的性能不断提高，其性能更明显高于Dullien。

GMN主要贡献：

1. 证明了解决各种基于结构数据的监督预测问题高效模型GMN可以用来训练来生成向量空间中的图嵌入表示，有利于做相似推理。

2. 提出了一个崭新的图匹配网络模型，将一对图作为输入，计算相似分数。通过一种新的基于交叉图注意力的匹配机制，对图像进行联合推理。证明了模型在不同领域的有效性，包括基于控制流图的功能相似度搜索这一具有挑战性的问题，它在软件系统漏洞检测中起着重要的作用。