本科毕设问答 一

1.ROC AUC的确切含义？

ROC全称为接受者操作特性曲线（receiver operating characteristic curve），又称为感受性曲线（sensitivity curve）。它是在特定刺激条件下，以被试在不同判断标准下所得的虚报概率（假阳性率）为横坐标，以击中概率（真阳性率或敏感度）为纵坐标，画得的各点的连线。

AUC（Area Under Curve）是ROC曲线下的面积，用于量化评估分类模型的性能。

AUC的值范围在0.5到1.0之间，其中：

• AUC接近1.0表示模型的预测准确性非常高，接近完美分类器。
• AUC等于0.5表示模型与随机猜测无异。
• AUC在0.5到1.0之间表示模型优于随机猜测，值越大，模型的预测准确性越高。
• AUC小于0.5表示模型的预测准确性低于随机猜测，但在某些情况下，通过反预测可能会优于随机猜测。

2.不使用动态检测技术的原因？

除了PPT上列出的静态检测技术的优势，还有就是（说动态的不足或者说是条件限制）对固件漏洞的动态检测是一个复杂的过程，它要求固件在动态环境下运行，并通过自主开发或利用已有的软件漏洞检测工具对固件实施检测。

3.基于CFG的检测技术高效和精确的原因？

它能够有效并准确地识别出不同架构的安全漏洞，相较于直接处理二进制指令的方法，其优势显而易见。

4.对于GESS两个核心步骤较为详细的解释？

GESS的工作流程分为两个核心步骤。第一步，GESS将任意ACFG转换为特定且固定大小的数值向量。为了实现这一步骤，它通过从ACFG中选择固定数量的代表性节点，随后，对于每一个选定的节点，GESS进一步计算其固定大小的邻域，进而实现。这一过程中，数字向量的构建尤为关键，它由节点邻居的属性组成，这些属性反映了一些ACFG的拓扑结构和内在特性。GESS的第二步是抽象出编译设置，以便将这个数字向量转换成对跨平台差异具有鲁棒性的表示。这是因为在不同的编译设置和平台下，ACFG可能表现出显著的差异，因此需要一种能够跨越这些差异的稳定表示方法。为此，GESS使用了一个特制的卷积神经网络，并且用来了来自不同库的数十万个ACFGs进行训练，确保了其泛化能力和准确性。

5.GESS的详细流程？

GESS，即相似性搜索的图形嵌入，是一项颇具创新性的图嵌入方法。GESS首先根据ACFGs的属性(如2.1节中所述)来为ACFGs的节点打上标记。具体而言，将会采用属性的线性组合来定义节点的标签。从形式上来看，一个节点具有9个属性vi，其中1≤i≤9，这些属性将会共同构成该节点的标签：

i=19vipi ，                                     (2.6)

其中pi，1≤i≤9是属性的权重。

随后，以Patchy San[29]为基础框架，GESS巧妙地将标记的图转换为感受野，以便后续能够将其直接提供给CNN。

通常情况下，由于图形自身缺乏固有的结构特性(与音频样本或二维图像相比)，将任意图形分割成相关的块并非易事。为了有效地嵌入图形数据，GESS选择了一种策略：选取固定数量的节点，并提取这些节点周围固定大小的邻域。这些邻域在图形分析中被称为图的感受域或感受野，它们随后被输入到卷积神经网络中，作为图的“块”进行处理。网络通过对这些块的学习与分析，最终输出嵌入结果。

依据节点的标签信息对它们进行了分类，并从中挑选出那些能够产生感受野的关键节点。首个感受野的构建，便是具有最高标签的节点的邻域，依此类推，后续的感受野亦遵循此规则依次构建。

在返回邻居节点时，遵循这样一套排序原则：首先是源节点，即作为构建邻域的起始节点；接着，根据邻居节点与源节点的距离进行排序，确保距离更近的节点优先被选中。若存在多个邻居节点与源节点的距离相同，则进一步依据它们的标签高低进行排序，标签更高的邻居节点将排在更前面的位置。

……

总体而言，GESS通过以下步骤来计算图形嵌入:

（1）利用线性过滤器，根据每个节点的独特属性，精确计算并赋予每个节点一个标签，以此作为后续分析的基础；

（2）筛选出标记最高的节点，这些节点在图形结构中具有重要的代表性；

（3）以这些节点为中心周围生成对应的感受野；

（4）在每个感受野中，先根据节点到源节点的距离进行排序，在距离相同的情况下，再依据节点的标签进行排序；

（5）将构造好的感受野送至CNN。

……

在测试阶段，为每个ACFG生成10个相似对和10个不同对。通过增加配对的数量，可以在更多样化的测试条件下得到更加稳健和可靠的结果。

每当完成一个训练周期后，都会在验证集上对模型进行验证，以确保其性能符合预期。待整个训练阶段结束后，会进一步在测试集上对模型进行测试，以全面评估其泛化能力。验证和测试过程均遵循一套统一的协议:

（1）从数据集中生成成对的ACGFs，作为模型的输入样本。

（2）每一对ACFGs都会被送入图嵌入模型，模型会计算出两个嵌入向量，分别对应这一对中的每个ACFG。

（3）计算每对嵌入之间的余弦相似性，作为它们之间相似程度的度量。

（4）使用样本的标签和它们对应的余弦相似性，绘制出ROC曲线。ROC曲线在y轴上显示真阳性率（True Positive Rate，TPR），在x轴上显示假阳性率（False Positive Rate，FPR），从而直观反映模型在不同阈值下的性能表现。

（5）计算ROC AUC，作为评估模型性能的量化指标。