本文提出了一种名为GNNIC的图神经网络（GNN）间接调用分析器，旨在解决大型程序（特别是操作系统内核）中调用图生成不准确的问题。间接调用（如函数指针）在编译时无法确定目标，导致传统静态分析产生大量假阳性。现有基于类型分析的方法在处理大规模程序或泛型类型时精度较低。GNNIC通过抽象相似性搜索来准确识别间接调用目标。其核心观察是：尽管间接调用目标表现出多态行为，但它们共享共同的抽象特征，如函数描述、数据类型和调用的函数。GNNIC将这些信息整合为代表性抽象图（RAG），并使用GNN学习函数嵌入。该方法需要至少一个锚定目标来启动搜索，因此作者还提出了一种新的程序分析技术，用于局部识别每个间接调用的有效目标。从锚定目标开始，GNNIC可以将搜索范围扩展到整个程序，找到更多间接调用目标。GNNIC基于LLVM和GNN实现，并在多个操作系统内核上进行了评估。结果表明，与最先进的基于类型的技术相比，GNNIC减少了86%至93%的假目标函数。此外，GNNIC生成的抽象相似性和精确调用图可以增强安全应用，例如发现新漏洞、缓解路径爆炸问题以及提高静态程序分析的效率。结合静态分析，GNNIC在Linux和FreeBSD内核中发现了97个新漏洞。