ترجمه فارسی مقاله Vulcatch: افزایش تشخیص آسیب پذیری باینری از طریق تجزیه CODET5 و استخراج ویژگی های پیشرفته KAN

چکیده

Binary program vulnerability detection is critical for software security, yet existing deep learning approaches often rely on source code analysis, limiting their ability to detect unknown vulnerabilities. To address this, we propose VulCatch, a binary-level vulnerability detection framework. VulCatch introduces a Synergy Decompilation Module (SDM) and Kolmogorov-Arnold Networks (KAN) to transform raw binary code into pseudocode using CodeT5, preserving high-level semantics for deep analysis with tools like Ghidra and IDA. KAN further enhances feature transformation, enabling the detection of complex vulnerabilities. VulCatch employs word2vec, Inception Blocks, BiLSTM Attention, and Residual connections to achieve high detection accuracy (98.88%) and precision (97.92%), while minimizing false positives (1.56%) and false negatives (2.71%) across seven CVE datasets.

چکیده به فارسی (ترجمه ماشینی)

تشخیص آسیب پذیری برنامه باینری برای امنیت نرم افزار بسیار مهم است ، اما رویکردهای یادگیری عمیق موجود اغلب به تجزیه و تحلیل کد منبع متکی هستند و توانایی آنها در تشخیص آسیب پذیری های ناشناخته را محدود می کنند.برای پرداختن به این موضوع ، ما Vulcatch ، یک چارچوب تشخیص آسیب پذیری در سطح باینری را پیشنهاد می کنیم.Vulcatch یک ماژول تجزیه کننده هم افزایی (SDM) و شبکه های Kolmogorov-Arnold (KAN) را معرفی می کند تا کد باینری خام را با استفاده از Codet5 تبدیل کند و با ابزارهایی مانند Ghidra و IDA ، معناشناسی سطح بالا را حفظ کند.KAN بیشتر تحول ویژگی را تقویت می کند و امکان تشخیص آسیب پذیری های پیچیده را فراهم می کند.Vulcatch برای دستیابی به دقت تشخیص بالا (98.88 ٪) و دقت (97.92 ٪) و در ضمن به حداقل رساندن مثبت کاذب (1.56 ٪) و منفی کاذب (2.71 ٪) در هفت مجموعه داده CVE ، از Word2VEC ، بلوک های آغازین ، توجه BILSTM و اتصالات باقیمانده استفاده می کند.