MARGIN: 불균형 취약점 탐지를 위한 마진 인식 정규화 기하학

소프트웨어 취약점 탐지는 소프트웨어의 보안 및 신뢰성을 보장하는 데 매우 중요합니다. 딥러닝 분야에서 최근 발전이 있었음에도 불구하고, 실제 취약점 데이터셋은 두 가지 심각한 문제에 직면해 있습니다: 빈도 불균형(frequency imbalance)과 난이도 불균형(difficulty imbalance). 우리는 이 문제를 임베딩 기하학적 관점에서 재해석하여, 이러한 불균형이 초구(hyperspherical) 표현 공간에 기하학적 왜곡을 유발한다는 점을 관찰했습니다. 이 문제를 해결하기 위해, 우리는 MARGIN이라는 메트릭 기반 프레임워크를 제안합니다. 이는 적응형 마진 메트릭 학습(adaptive margin metric learning)과 초구 프로토타입 모델링(hyperspherical prototype modeling)을 통해 판별적인 취약점 표현을 학습합니다. MARGIN은 von Mises-Fisher 집중도(von Mises-Fisher concentration)에 의해 추정된 분포 구조에 따라 기하학적 정규화(geometric regularization)를 동적으로 조정하여, 임베딩 분포의 확률 질량(probability mass)을 해당 전(Voronoi) 셀과 일치시킵니다. 이를 통해 기하학적 왜곡을 줄이고 보다 안정적인 결정 경계(decision boundaries)를 얻습니다. 공개 취약점 데이터셋에 대한 광범위한 실험 결과, MARGIN은 강력한 기준 모델들보다 꾸준히 우수한 성능을 보여주었으며, 특히 까다롭고 불균형한 데이터셋에서 분류 및 탐지 분야에서 주목할 만한 개선을 달성했습니다. 추가 분석에 따르면, MARGIN은 더 구조화된 임베딩 기하학을 생성하여 강건성(robustness), 해석 가능성(interpretability), 그리고 일반화 성능을 향상시키는 것으로 나타났습니다.