近日，計算機與軟件工程學院唐明偉教授所在科研團隊撰寫的學術論文“A vulnerability detection algorithm based on residual graph attention networks for source code imbalance (RGAN) ”被國際著名人工智能TOP期刊（中科院SCI一區）《Expert Systems with Applications》（IF：8.5）錄用并在線發表。

在當今數字化時代，軟件系統已經深入到社會生活的各個領域，特別是在通信、金融、醫療、能源和交通等重要領域發揮著關鍵作用。隨著軟件系統日益變得復雜，為了確保其安全性，及時檢測其中潛在的漏洞已顯得尤為緊要。然而，當前的漏洞檢測方法逐漸難以滿足不斷增長的需求。因此，智能的漏洞檢測方法已經成為不可或缺的一部分。這些方法能夠提供更高效、更精確的漏洞檢測，有助于維護軟件系統的安全性。該文主要針對軟件中的潛在漏洞檢查方面的忽略，結構特征和不平衡性等問題，提出了基于源代碼不平衡殘差圖注意網絡（RGAN）的漏洞智能檢測算法。

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.