BinPool: A Dataset of Vulnerabilities for Binary Security Analysis

机器学习技术在发现软件漏洞方面的开发，从根本上依赖于适当数据集的可用性。理想的数据集应包含大量且多样化的现实世界漏洞，并配对包含每个程序的易受攻击版本和已修复版本。很自然地，收集这样的数据集是一项耗时且繁琐的任务。在二进制代码漏洞发现的具体领域中，以往的数据集要么无法公开获取，要么缺乏语义多样性，要么涉及人为引入的漏洞，要么是通过静态分析器收集的，因此本身可能包含错误标记的示例程序。 在本文中，我们介绍了一个新的公开可用数据集，我们将其命名为 Binpool，其中包含多年来许多易受攻击的 Debian 软件包版本样本。该数据集是通过自动化方式整理的，包含了每个程序的易受攻击版本和已修复版本，并在四个不同的优化级别上进行了编译。总体而言，该数据集涵盖了 89 个 CWE 类别中的 603 个不同 CVE，涉及 162 个 Debian 软件包，并包含 6144 个二进制文件。我们认为，这个数据集适合用于评估多种安全分析工具，包括漏洞发现、二进制函数相似性分析以及剽窃检测。

该论文试图解决在二进制代码中发现软件漏洞的问题，特别是构建一个高质量、多样化的数据集以支持机器学习模型的训练和评估。这是一个长期存在的问题，但之前的数据集存在公开性不足、语义多样性缺乏或包含人工引入漏洞等问题。

论文提出了一种名为Binpool的新数据集，该数据集通过自动化方式收集了大量真实世界的漏洞样本，并包含了每个程序的漏洞版本和修复版本，编译为四种不同的优化级别。相比现有研究，Binpool提供了更大的规模（6144个二进制文件）、更丰富的漏洞类型（覆盖603个CVE和89个CWE类别），以及更高的实际应用价值。

Binpool数据集具有以下亮点：1) 覆盖了162个Debian包，包含真实的漏洞和修复样本；2) 提供了多种优化级别的编译版本，增加了实验的灵活性；3) 数据集已公开，便于其他研究者复现结果并进一步改进技术。此外，论文还讨论了该数据集在漏洞发现、二进制函数相似性和剽窃检测等任务中的潜在应用价值。目前，数据集已经开源，但未提及代码实现是否公开。

相关研究包括：1) 之前的一些工作使用静态分析器生成数据集，但可能导致错误标签；2) 其他类似的数据集如VulnDataset和Juliet Test Suite，但它们通常包含人工构造的漏洞或缺乏语义多样性；3) 最近的研究开始关注利用深度学习方法进行二进制漏洞检测，例如DeepWukong和BinDiff。这些研究虽然取得一定进展，但在数据质量和多样性上仍不及Binpool。