在无源码场景（如恶意软件分析、固件审计、嵌入式系统分析）中，对编译后程序进行漏洞检测的需求日益突出。然而，现有方法多依赖语法规律或较高层次的表示，不仅容易受编译器版本和优化选项变化的影响，也难以直接应用于汇编代码。为此，本文提出 SEMA-GUARD，一个结合语义分析与图神经网络（GNN）的汇编代码漏洞检测框架。其核心改进在于增强控制流图（CFG）的表示：在传统图结构基础上，加入程序在较低抽象层次上的执行信息，包括栈操作、内存访问和数据流，从而让模型能捕获仅靠统计或结构特征难以发现的缺陷模式。为了评估效果，作者构建了一个基于 Juliet Test Suite 的数据集，将每段源码先编译为汇编，再切分为函数级别的代码块。实验结果显示，该方法仅依赖统计或结构数据，即达到 85.1% 的准确率和 0.801 的 F1 分数。这表明在基于图的模型中融入低层语义信息，可能是识别编译代码漏洞的有效途径。该工作为二进制层面的漏洞检测提供了新思路，尤其适合缺乏源码的逆向与安全分析场景，但尚未披露具体的模型架构细节、跨编译器泛化能力以及实际部署开销，仍需进一步验证。