Page 215 - 《软件学报》2026年第7期

2900 软件学报 2026 年第 37 卷第 7 期

表 2 基准漏洞数据集测试结果对比 (续)

Coverity CodeQL Tai-e MultiFlow
漏洞类型 CWE编号
TP FP FN TP FP FN TP FP FN TP FP FN
trust boundary violation CWE-501 83 30 0 83 24 0 49 29 34 83 12 0
secure cookie flag CWE-614 36 0 0 36 0 0 － － － 36 0 0
XPATH injection CWE-643 15 15 0 15 7 0 15 14 0 15 2 0
合计 1 364 398 51 1 243 343 43 860 698 42 1 375 144 40
精确率 (%)/召回率 (%) 77.41/96.40 78.37/96.66 60.34/75.06 90.52/97.17
F1分数 (%) 85.87 86.56 66.90 93.73
注: “－”表示对比工具 (Coverity、CodeQL、Tai-e) 的官方规则库未支持当前漏洞类型的检测, 故未产生相关检测数据
4.3 RQ2: 多段数据流分析方法评估
本节基于真实应用数据集中的 Java Web 项目, 对 MultiFlow 的多段数据流分析方法的漏洞检测能力开展评
估. 在漏洞规则配置上, 为评估算法 1 对传统污点分析产生的增益效果, 本文以如下两种方式配置 MultiFlow 的分
析漏洞规则集.
R base : 与第 4.2 节相似, 配置各类常见 Web 漏洞的传统污点分析规则.
(1) 基础规则集
R base 基础上, 增加与 Mybatis Mapper 框架相关的共享数据操作配置.
(2) 多段数据流规则集 R all : 在
在评估漏洞检测结果的准确性时, 遵循如下步骤: 对于 MultiFlow 检测到的所有漏洞, 将由 3 位安全专家对漏
洞报告独立进行分析, 标注是否为真实漏洞; 之后, 将对所有专家的漏洞标注结果执行交叉验证, 若存在不一致情
况则引入第 4 位安全专家进行额外讨论, 确定该漏洞的最终标注结果.
30 个 Java Web 项目的分析结果如表 3 所示, 在使用基本漏洞规则 R base 时, MultiFlow 共检测到 21 例安全漏
洞, 总体检测精确率为 95.24%; 在添加共享数据相关规则配置后, MultiFlow 即可额外检测到 39 例数据库存储型
Web 漏洞, 其具体类型包括 XSS、SSRF、远程代码执行和 URL 重定向 (redirect) 漏洞, 漏洞覆盖能力得到极大提
升, 但在检测精确率上略有下降 (约为 87.18%). 这些结果充分证明, 本文提出的多段数据流分析方法可有效地扩
展传统污点分析的漏洞覆盖场景, 同时具备较好的泛用性.

表 3 MultiFlow 多段数据流分析测试结果

MultiFlow × R base MultiFlow × R all
漏洞类型
检测总数 TP FP Precision (%) 检测总数 (∆) TP (∆) FP (∆) Precision (%)
XSS 9 9 0 100.00 23 (14) 21 (12) 2 (2) 91.30
SSRF 10 9 1 90.00 29 (19) 26 (17) 3 (2) 89.66
RCE 0 0 0 － 1 (1) 1 (1) 0 (0) 100.00
URL redirect 2 2 0 100.00 7 (5) 6 (4) 1 (1) 85.71
合计 21 20 1 95.24 60 (39) 54 (34) 6 (5) 90.00
注: “－”表示在使用基础漏洞规则集时未检测到远程代码执行漏洞, 故相关指标不适用

● 误报分析. 对于 MultiFlow 的 6 例误报, 其主要原因在于域敏感分析实现上的精确度局限性. 如第 2.1.1 节所
述, MultiFlow 在获取共享数据的详细存储位置, 以及从共享数据读取操作中恢复污染变量时, 均依赖于细粒度域
敏感分析. 若污染变量为 Java 容器类或数组等代码元素, 在后续分析中可能出现动态键值访问 (即键值索引在运
行时通过动态表达式生成) 的情况, MultiFlow 难以精确建模此类非确定性键值的传播路径, 采取整体污染的保守
策略, 导致错误扩大污染范围产生误报. 未来可基于常量传播、符号执行等技术, 进一步增强对键值的静态推断能
力, 提升分析精确率.
4.4 RQ3: 多标签数据流分析方法评估
本节将从越权访问和原型链污染两类漏洞检测任务出发, 评估第 2.1.2 节所述多标签数据流方法在真实应用