本文提出了一种名为 SemVul 的漏洞检测流水线，旨在提高源代码漏洞检测的准确率与泛化能力。研究背景指出，源代码漏洞是网络攻击的根本原因之一，攻击者常利用软件弱点进行未授权访问、数据窃取或服务破坏。现有基于代码属性图（Code Property Graph, CPG）的方法通常仅关注程序的结构信息，而忽略了代码的语义层面。为此，SemVul 在 CPG 基础上引入了语义级增强，通过预训练代码嵌入技术为图中的节点和边分别注入语义特征，使模型能够同时捕捉程序的结构流（如控制流、数据流）和代码的语义含义。方法上，作者系统评估了多种图神经网络（GNN）架构，在公开基准数据集上进行了实验。SemVul 与具体编程语言无关，支持多种架构，具有良好的通用性。实验结果表明，SemVul 在漏洞检测性能上优于现有方法，并且展现出更强的泛化能力，能够更有效地学习易受攻击的代码模式。该研究适合软件安全、漏洞挖掘、基于机器学习的代码分析等领域的研究人员和工程人员阅读。

这篇论文针对内核驱动测试的痛点——绝大多数驱动因缺乏对应硬件或模拟器而无法被有效测试——提出了一种无需硬件设备和模拟器的语义感知驱动模糊测试方法。当前驱动测试高度依赖物理设备或硬件模拟器，导致覆盖范围严重受限，大量驱动（如Linux内核中数十万驱动）长期未经充分验证，成为内核安全的主要威胁。作者认为，驱动输入不仅来自用户空间，还来自硬件，因此传统的纯用户态模糊测试无法深入驱动核心逻辑。该方法的核心创新在于：通过静态分析提取驱动与硬件交互的语义规范（如寄存器访问顺序、I/O端口范围、DMA描述等），并利用这些语义信息自动生成高保真的合成硬件响应，使得驱动可以在无真实硬件的环境下运行，同时触发深层路径。具体实现包括：1）从驱动源码中推断硬件接口语义；2）构建轻量级虚拟硬件层，按语义规则回放硬件行为；3）结合覆盖引导的模糊测试引擎，驱动多维度输入变异。实验在Linux内核的4821个驱动上评估，相比于依赖模拟器的方法（如QEMU），覆盖了额外67.3%的驱动，并发现12个新bug（含3个已确认的可用性漏洞）。该方法显著降低了驱动测试的准入门槛，可大规模应用于各类操作系统内核的驱动安全检测。