С быстрым развитием информационных технологий программное обеспечение играет важную роль в различных аспектах и сферах жизнедеятельности человека, в то же время потенциальные проблемы безопасности становятся все более серьезными и комплексными. С усложнением требований к программному коду, появлением новых рисков и угроз в цифровой сфере, традиционных методов анализа и контроля становится недостаточно. В связи с этим цель статьи заключается в исследовании возможности применения нейронных сетей для задач статического анализа кода и особенностей решения ими проблем, присущих классическим статическим анализаторам, а также в изучении практической реализации статического анализа кода с помощью графовой нейронной сети. Применены методы: системный анализ, моделирование, прогнозирование, численная оптимизация, теория вероятности, систематизация, обобщение. В процессе исследования детально описаны возможности нейронных сетей в статическом анализе кода. Также выделены сферы проверки кода, в которых нейронные сети могут найти свое широкое применение. Отдельное внимание уделено сравнению архитектур нейронных сетей для целей статического анализа, рассмотрены такие модели, как многослойный перцептрон, рекуррентная нейронная сеть, графовая нейронная сеть. Практические аспекты использования нейронного инструментария машинного обучения в программировании рассмотрены на примере поиска неправильного использования переменных в коде на базе графовой нейронной сети. Применение нейронных сетей для статистического анализа кода позволяет снизить количество ложноположительных результатов и повысить уровень истинно положительных обнаружений ошибок и неточностей в его написании.
With the rapid development of information technology, software plays an important role in various aspects and spheres of human life, while potential security problems are becoming increasingly serious and complex. With the increasing complexity of software code requirements and the emergence of new risks and threats in the digital sphere, traditional methods of analysis and control are becoming insufficient. In this regard, the aim of this article was to consider the features of using neural networks in the process of static code analysis as a potential way to solve problems present in classical approaches, as well as to study the practical aspects of its implementation using the example of a graph neural network. Materials and methods: system analysis, modelling, forecasting, numerical optimisation, probability theory, systematisation, generalisation. The study describes in detail the capabilities of neural networks in static code analysis. It also highlights areas of code verification where neural networks can find wide application. Special attention is paid to comparing neural network architectures for static analysis, considering models such as multilayer perceptrons, recurrent neural networks, and graph neural networks. Practical aspects of using machine learning neural tools in programming are considered using the example of searching for incorrect use of variables in code based on a graph neural network. The use of neural networks for statistical code analysis reduces the number of false positives and increases the level of true positives in detecting errors and inaccuracies in code.
1. Пантюхин М.А. Роль машинного обучения в оптимизации программного кода // Научный аспект. 2024. Т. 9. № 5. С. 1156–1161. EDN: OEWNVQ
2. Ломако А.Г., Исаев Н.Э., Менисов А.Б., Сабиров Т.Р. Подход к выявлению уязвимостей программного кода на основе адаптации с подкреплением предобученных моделей машинного обучения // Проблемы информационной безопасности. Компьютерные системы. 2025. № 1 (63). С. 83–96. DOI: 10.48612/jisp/7gnx-9z7f-fbrv.
3. Буйневич М.В., Израилов К.Е., Покусов В.В., Романов Н.Е. Способ вариативной классификации уязвимостей в программном коде. Ч. 2. Автоматизация на базе машинного обучения // Автоматизация в промышленности. 2022. № 4. С. 49–55. DOI: 10.25728/avtprom.2022.04.10.
4. Sixuan Wang, Chen Huang VulGraB: Graph-embedding-based code vulnerability detection with bi-directional gated graph neural network // Software: Practice and Experience. 2023. Vol. 53, Is. 8. Р. 1631–1658. DOI: 10.1002/spe.3205.
5. Jia Yang, Ou Ruan Tensor-based gated graph neural network for automatic vulnerability detection in source code // Software Testing, Verification and Reliability. 2023. Vol. 34, Is. 2. № e1867. DOI: 10.1002/stvr.1867.
6. Потапов Д.А., Корниенко С.В. Модель системы обнаружения дефектов программной среды на основе глубокого обучения с наиболее подходящими гиперпараметрами // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2024. № 6. С. 111–115. DOI: 10.37882/2223-2966.2024.06.33.
7. Chitti Babu Karakati, Sethukarasi Thirumaaran Software code refactoring based on deep neural network-based fitness function // Concurrency and Computation: Practice and Experience. 2023. Vol. 35, Is. 4. Р. e7531. DOI: 10.1002/cpe.753.
8. Котенко И.В., Саенко И.Б., Лаута О.С., Юрьев А.С., Запруднов М.С. Протестное программное обеспечение: анализ и подход к обнаружению, основанный на машинном обучении // Вопросы кибербезопасности. 2024. № 6. С. 42–52. DOI: 10.21681/2311-3456-2024-6-42-52.
9. Козачок А.В., Ерохина Н.С., Николаев Д.А. Способ обнаружения программных дефектов в javascript-интерпретаторах методом фаззинг-тестирования // Вопросы кибербезопасности. 2024. № 2 (60). С. 74–80. DOI: 10.21681/2311-3456-2024-2-74-80.
10. Eren Bas, Erol Eğrioğlu A new recurrent pi-sigma artificial neural network inspired by exponential smoothing feedback mechanism // Journal of Forecasting. 2023. Vol. 42, Is. 4. Р. 802–812. DOI: 10.1002/for.2919.
11. Peng Zeng, Guanjun Lin. Intelligent detection of vulnerable functions in software through neural embedding-based code analysis // International Journal of Network Management. 2023. Vol. 33, Is. 3. Р. 50–54. DOI: 10.1002/nem.2198.
12. Changhui You, Hong Zheng. Tampering detection and localization base on sample guidance and individual camera device convolutional neural network features // Expert Systems. 2023. Vol. 40, Is. 1. Р. 48–56. DOI: 10.1111/exsy.13102.
13. Романов Н.Е. Система поддержки интеллектуального программирования: машинное обучение feat. Быстрая разработка безопасных программ // Информатизация и связь. 2021. № 5. С. 7-16. DOI: 10.34219/2078-8320-2021-12-5-7-16.
14. Мяличева А.А. Анализ методов машинного обучения для прогнозирования дефектов в исходном коде // Труды Северо-Кавказского филиала Московского технического университета связи и информатики. 2024. № 2. С. 16-19. EDN: IVJCZF.
15. Hongwei Tu RotNet: A Rotationally Invariant Graph Neural Network for Quantum Mechanical Calculations // Small Methods. 2024. Vol. 8. Is. 1. Р. e2300534. DOI: 10.1002/smtd.202300534.