TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.6, Jun e  201 4, pp. 4330 ~ 4 3 3 6   DOI: 10.115 9 1 /telkomni ka. v 12i6.461 0          4330     Re cei v ed O c t ober 2, 20 13;  Revi se d De cem ber 28, 20 13; Accepted  Jan uary 21, 2 014   Software Vulnerability Analysis Method Based on  Adaptive-K Sequence Clustering       Di Wu 1,2 , Jiadong Re n 1 *  1 Colle ge of Info rmation Sci enc e and En gi neer ing, Yans ha n Univers i t y , Qin hua ng dao 0 6 6 004, Ch in a   2 Departme n t of Information a n d  Electron ic En gin eeri ng,  He b e i Univ ersit y  of  Engin eeri ng,  HanD an 0 5 6 0 3 8 ,  Chin a   *Corres p o ndi n g  author, e-ma i l : bestmoog oo @16 3 .com        A b st r a ct   Softw are vuln e r abil i ty an alys is  has  bec ome  a  hot to p i c rec e ntly. How e ver,  the trad ition a l  meth ods   for analy z i ng s o ftw are vulner abil i ty have  hi gher   false positive rate . In this pap er, ada p t ive K function   i s  defined, and S VAAKSC  ( Softw are vuln erab il ity ana lysis  me thod  b a se d on  ada ptive-K se q uenc e cluster i n g )   is pres ented.  T he col l ected  obj ects in soft w a re vu ln erab i lity seq uenc e  datab as e SVS D are  pretreat ed t o   equ al l e n g th v e ctors. Moreov er, accord in g to ad aptiv e-K b a sed s e q u e n ce  clusteri ng  alg o r ithm,  all s o ftwa r e   vuln erab iliti e s i n  SVSD are cl ustered i n to K clusterin g . Afterw ards, by matchin g  the si m i lariti es betw e e n   detected v u ln e r abil i ty from sof t w a re and eac h clusteri ng  ce nter, w hether the detect ed  vul nera b il ity is a rea l   softw are vuln erab ility can  be ju dge d. Finally,   th e correspo ndi ng a n a lysis rep o rt is obtain ed. T h e   exper imental r e sults and analysis s how that  SVAAKSC has lower false  posi tive r a te and better analys is   tim e .       Ke y w ords :  softw are vulnera b ility a nalys is, sequ enc e cl ust e rin g , ada ptive - K, false positiv e rate          Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Information  secu rity tech n o logy ha s b e en a c cepted  and  widely a pplied i n  a lot  of fields  recently [1].  However, the s a fety of network  an d informatio n system face s  great  challe n ge  becau se of the incursion  of hackers.  Software  vulnerability is one of  the root ca uses of  informatio n  secu rity proble m s. It is the  d e fect in   be ha vioral lo gic,  d a ta a c cess  a nd oth e r  asp e cts   [2]. As to software vuln era b ility has pa ssive and  st atic ch aracte rist ics, comp uter softwa r e ca n   easily be expl oited by maliciou s  attacke r s  without  aut hori z ation. Th us it can d o  g r eat dam age  to  human  societ y. Software v u lnerability a nalysi s   ha s b e com e  a  pop ular  and im p o rtant topi c o f   informatio n secu rity theory  rese arch a n d  practi cal work [3].  In order to  prevent the at tack  and int r usion of  soft ware  vulnerabilities, the effective   discovery a n d  analy s is  of the software  vulnera b ilitie s is e s sential.  Therefore,  ho w to an alyze   the   softwa r e vuln erabilitie s fast and effectively which  ca n be see n  a s  a key rol e  for improvin g   s o ftware s e curity   pe rform a nce [4].      2. Related Work  A lot of research work of  software vulnerability analysis ha s been carri ed  out  in recent  years. Ed ge -weig h ted  call  grap hs minin g  algo rith m fo r software b u gs lo cali zatio n  wa s  pre s e n t ed   by Eiching e r [ 5 ]. A novel re ductio n  techn i que for  call  g r aph s  whi c h i n trodu ce s e d ge weight s was  discu s sed. O n  the basi s  of  graph mi ning  and tradi tion al feature  sel e ction, an a n a lysis te chni q u e   for weighted   call g r ap hs was al so i n tro d u ce d. Ho wev e r, when th e  scale of g r a p h  is ve ry larg e ,   the an alysi s   efficien cy of  softwa r e  bug s i s  d e cr ea se d. In o r de r to  re duce th e  amount  of  sli c ed   cod e s, and f a cilitate the sub s e que nt cal c ulatio n of code cove rage inform ation, He et al.  prop osed a  softwa r e d e fects  analy s is method b a sed on  pro g ram structu r e  reversin g d a ta   depe nden cy [6]. Reverse  data dep end ence analy s i s   focu se s o n  the same  progra m  execu t ion   path to  anal yze d a ta, an d the  data   depe nden cie s  a r e  extra c t ed a nd  sto r e d  on  this p a t h.  Mean while, t he  store d  a nd reverse d  data  depe n den ce i s  tra v erse d b a se d on  a p a rti c ula r   variable. Th e n  cod e  state m ents related   to the specifi c  variabl e are  found.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Software Vul nerability Analysi s Method Based  on Adaptive-K Sequence  Cl ustering (Di Wu)  4331 In ord e r fu rth e r imp r ove th e analy s is time, m any  scho lars u s ed th e  clu s terin g  me thod to   analyze soft ware vulne r a b ilities. Mah a w ee ra wat et  al. pre s ente d  a two-l e vel clusteri ng met hod   to predi ct soft ware fault [7]. SOM metho d  wa s emplo y ed to classif y  historical d a ta into clu s ters.  Software faul ts that occurred in clu s ter  comp one nts  are p r edi cted  by RBFN. Howeve r, as the  numbe r  of S O M u n its  gro w s, th e time   co st is la rge.  On t he  ba sis of  dynami c  inform ation f l ow,  softwa r e  se curity failure s  are a nalyzed  in literatur e [8]. The tool of DynFlo w is u s ed to record   informatio n flow p r ofile s of  executio ns. I n  the li ght  of automatic clu s ter  a nalysi s ,  the executio ns   are  sele cted.  The  efficie n c y of i n form ation flo w   an omaly a nalysis d epe nd s  on the  type s of  prog ram s , an d the existed types of prog ram defec t s . Wan g  et al. discusse d DSV R DC (Dete c ting  Software   Vul nera b ilities  M e thod based on Rapid   De nsity Cl uste ri ng) [9].  Ne w  definition of  rd - entropy a n d   s -order are presented  in this method. According to utilizing  rd -entro py-b a s ed  density clustering,  the vulnerability sequence pa ttern database i s  built.  Analyzing se quences are  detecte d by the variation o f   s -or d e r .   The ab ove algorith m s h a ve been im proved th e time co st of softwa r e vul nera b ility  analysi s .  Ho wever,  goo d  seq uen ce  si milarity mea s urem ent fo r  software  vulne r ability is  still not   well a ddressed. DVCMA (Dete c ting Vul nera b ilities  b a sin g  on  Clu s terin g  an d  Model An alyzing)  wa s p r op ose d  [10]. In thi s  a pproa ch,  the identific a t ion dista n ce  is to filtrate  initially befo r e   cal c ulating the edit di stance of   sequences. The vul nerabilitie s  hi ding in the software can  be  mined un der  a novel edit-distan ce -ba s ed simila ri ty functio n . Although  DVCM A can effecti v ely  detect  software vul nerabilit ies, and  with lower fa lse positive and false neg ative rates,  but t h e   similarity measurement bet ween software vulnerab iliti e s sequences  is based on  edi t-di stance, i t   still has a hi gh computational com p lexity.    In this arti cle,  in  order to im prove the  analy sis tim e  of  software vul nerability, on the basi s  of the numb e r of all seq uen ce elem e n ts, and the  numbe r of comm on seq uen ce elem e n ts   betwe en two   vulnera b ilities, the vulnerab ility similarity  measurement  is de sig ned.  In acco rdan ce  w i th  tw o- p has e   s i milar i ty matc hing, whether  DV (detecte d   vulnerability) is a real  soft ware  vulnera b ility  or not will  b e  determi ned. Afterwa r ds,   i n  o r de r to  re d u ce  the  impa ct of  paramet er  K   to the cluste ri ng quality, further improve  the perfo rm a n ce of the fal s e po sitive ra te. On the basis  of a new de finition of adaptive  K  function, AKSC (Adaptive-K - based Sequence Clusteri ng)  algorith m  is p r esented.  Th e  obje c t with the small e st  A daptive ( K ) i s  deeme d  to the optimal  K .  The  remi nde r of thi s  p ape r  is o r g anized   as foll ows. In   se ction  2, we  de scribe  the   related   work of software vulne r a b il ity analysis.  Section 3 giv e s p r oble m  d e finitions. Se ction 4  con c l udes   the SVAAKSC method. Section 5  contains experim ent al result s, and we offer  our  conclusions in  se ction 6.       3. Problem Definitions   SVSD (Softwa r e vul nerabili ty sequ en ce   databa se ) i s  co mpo s e d   of coll ecte d  softwa r e  vulnerability sequences,  SVSD ={ SVS 1 , SVS 2 ,…,   SV S N }, wherei n,  SVS (Software vulnerabili ty  seq uen ce ) re pre s ent s an  orde rly pro g ram ope ration  sequ en ce  whi c h can le ad to prod uce  vulnerability.  SVS = a 1 a 2 … a n .  a i   denote s  t he item of  SV S ,  a i ∈ L (1 ≤ i ≤ n ).  L ={ a 1 , a 2 ,… , a m } is the i t e m   s e t,  m  is the  numbe r of item set.  N  is th e numbe r of  SVS  in  SVSD .  Let  SVSE  be a  set of  the software  vulnerability se quen ce   element s in  SVSD.  SSVSE= { SE 1 ,SE 2 ,…,SE r ,…, S E |SSVS E| }, se que nce el ement  SE r   is a pair  of it ems  a i a j  of  S VS,   whe r e   i ＜ j .  T he  n u mb er  o f  software vu lnera b ility sequen ce elem ents in  SSVSE  is denote d  as  | SSVSE |.  E a ch  SVS  can be   represented  as a | SSVSE |-dime nsi onal vector.   Suppo se th at  SVS x  and  SV S y  are any t w o  software  vul nerability sequences i n   SVSD ,  SE ( SVS x ) and  SE ( SVS y ) indicate the software vulnerab ility sequence pair sets of  SVS x  and   SVS y . Th e simila rity measu r ement be tween the m  is e x presse d  as  SVSim ( SVS x , SVS y )= ｜ SE ( SVS x ) ∩ SE ( SVS y ) / ｜ SE ( SVS x ) ∪ SE ( SVS y ) .  Whe r e ｜ SE ( SV S x ) ∪ SE ( SVS y )  re prese n ts the  numb e r of  all  se qu ence ele m ent s bet wee n   SV S x   and  SVS y .   ｜ SE ( SVS x ) ∩ SE ( SVS y ) d enote s  the  numbe r of  comm on se quen ce el e m ents   betwe en  SVS x  and  SVS y .   In traditional  K -mean s, ho w to make a  rapid a nd a c curate  para m eter  K  is a critical   probl em. The  sele ction of  K  has a gre a t  influence o n  the clu s teri ng re sults. In  this pape r, to   adju s t the nu mber of cl ust e rs dyn a mi ca lly, adaptive  K  function is  prop osed.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4330 – 4 336   4332 Definition 1.  Suppo se that   SVS  is any software vul nerability sequence in  SV SD .  K   represent s the number of  clusters, the  c enter of software vulnerability cluster  SVC P  is de scribed   as  SVCC P . The ada ptive  K  function is  sh own a s  follo ws.     2 , 1 2 )) , ( 1 ( )) , ( 1 ( ) Adaptive(K q P q P K P SVC SVS P SVCC SVCC SVSim Min N SVCC SVS SVSim P                                                   (1)    Whe r ein,  N  is the num be r of obje c ts i n   SVSD .  P = 1 ,2,…, K -1;  q =  P +1, P +2, … , K . The   adaptive  K  i s  gai ned  by the minimu m Adaptive ( K ). In this way, the average di ssimila rity  between  software vulnerability sequen ces in the  same cl uster should be as  small as  possi ble.  And the mini mum value of  dissimil a rity betwe en ea ch clu s ter ne e d s to be the l a rge s t.      4 . The SVAAKSC Me thod   Software vul nera b ility an alysis  metho d  ba sed  on  adaptive- K  seq uen ce  clu s t e rin g   named SVA AKSC inc l udes  five s t ages . Firs t and  foremos t, on the bas is   of the c o llected  comm on software vulnerabilities,  SVSD  is e s tabli s hed. Afterwa r ds, the o b je cts in  SVSD  are  prep ro ce ssed  to eq ual l e ngth ve ctors.  Moreover ,  by  ada ptive- K - ba sed  seq uen ce  clu s te ring   algorith m ,  K   vulnera b ility cente r s a r e  gaine d. Next  through two  stage simil a rity measu r e,  th e   most  similar vulnerability to  DV  can  be get. Fin a lly, the ana lysis  repo rt  of the dete c ted  vulnerability is output.  The framewor k of  SVAAKSC is shown as Figure 1.         Figure 1. The Framework  of SVAAK SC      4.1.  SVSD  Establishing   Comm on software vulnerabilities  are collected to establish  SVSD .  SVSD  is co mposed   by five-dime n s ion a l tupl es,  and  ea ch  tu ple i s  exp r e s sed  a s   < SVSN ,  SVS ,  SVSTY ,  SVSI NF ,  SVSRANK >. Whe r ein,  SV SN  is the  nu mber of  SVS .  SVSTY  indicates th e  SVS  type.  SVSINF  is  the relevant feature info rm ation of  SVS .  SVSRANK denotes the  SVS  rank.     4.2.  SVS  Pre p roces sing   As to the l e n g ths of  softwar e vul nerabil i ty seque nces in  SVSD  a r e not  the same  usu a lly.  Therefore, it  is ne ce ssa r y to  prep ro ce ss th em. By scan n ing  the  SVSD  once, item set   L ={ a 1 , a 2 ,…, a m } and  SSVS E= { SE 1 ,SE 2 ,…, S E r ,…,SE | SSVSE| }   are gained.   C o mmon  sof t w a re  v u lnera b ilit ie s  coll ec tio n            S o ftw are  sou r c e   cod e s         Prepro c ess       N  sof t w a re  v u lnera b ility   v e ctors           A dapt iv e- K   bas ed   s e qu en ce   clu s te ri ng       K   v u lnera b ility   cen t e r s           Prepro c ess      De te cted   v u lnera b ility         De te cted   v u lnera b ility   v e ctor             The fi rs t  sta ge  simil a rity   meas ur e       Ou tp ut  the   ana ly sis  rep o rt          Obtai n  t h e   most simil a r   v u lnera b ility   to det ec ted   v u lnera b ility   Y Th e  se co nd   sta ge  simil a rity   meas ur e          Similar?       N SVSD      Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Software Vul nerability Analysi s Method Based  on Adaptive-K Sequence  Cl ustering (Di Wu)  4333 In accord an ce with the su pport relation ship s bet wee n   SVS x  and  SE r  in  SSVS E , each  SVS x  can be  pre p ro ce sse d  as a | SSVSE |-dimen s io nal vecto r . If  SVS x   suppo rts  SE r ,  then the   value is 1, otherwise, the corre s p ondin g  value is 0.    For exa m ple ,   SVSD= { SV S 1 ,  SVS 2 ,  SVS 3 } .  SVS 1 =aba ,  SVS 2 =b caa ,  SVS 3 =cb b a .  Acco rdi ng to  simple  an alysis,   L ={ a , b , c },   SSVS E={aa, ab,ac,b a,bb,b c ,ca, cb,cc},  | SSVSE| =9. The  pretreatment  result s are  SVS 1 ={1,1,0,1,0,0,0,0,0},  SVS 2 ={1,0,0,1,0,1,1,0,0},  SVS 3 ={0,0,0,1,1,  0,1,1,0}.    4.3. Adap tiv e - K -Bas ed Sequen ce Clu s tering   In traditional  K -mean s seq uen ce  clu s te ring al go rithm, it ne ed s to  set pa ramete r  K  ahe ad   of time by us er. In this   paper, a novel  AKSC (adaptive- K -ba s e d  seque nce clu s tering ) algo rithm  is pre s e n ted.  It only needs to restri ct the ran ge of  K . As a resul t, the similarities of  SVS  in  the   same  are  cl uster  as la rg e as po ssibl e , in t he meantime, the simila rities b e twee n different  clusters are as sm all as possi ble. By applying AKSC algorithm,  SVS  in  SVSD  are clu s tere d in to   K  c l us ters .  K  adaptive software vul nerability cluste rs c an be g a i ned. The  sp ecific p r o c e s s of  AKSC is  s h own as  follows.  Algorithm  AKSC ( SVSD ,  N ,  SVS,  K ma x  )  Input:  SVSD : software vu lnera b ility se quen ce  data base;  N :  the  num ber of  SVS  in  SVSD ;  SVS:   any softwa r e  vulnera b ility seque nce of  SVSD ;  K ma x : T he value of the large s t  K.   Output:  K  adaptive softwa r e vulne r abilit y cluste rs  BEGIN  Step 1: For  K = 2  to  K ma x   Step 2: In  SV SD ,  sele ct   K   SVS  as initial cluste ring  ce nters  ran doml y ;  Step 3:  Com pute the  si milarity bet ween   SVS  in  SVSD  a nd  cu rren t clu s teri ng  centers,   each  SVS  is assign ed to the most  simil a r clu s te r;  Step 4: For each clu s ter,  calcul ate the averag e si milaritie s  of  SVS , clusteri ng ce nters  are  upd ated,  repe at the St ep3 a nd Step 4, until  the cl usteri ng re sul t s  do not  cha nge  a n y  mo re ,  jump to Step 5;  Step 5: Acco rding to formul a (1), the corresp ondi ng Ad aptive ( K ) i s  o b tained;    Step 6: Com pare d  with th e value of the pre s ent Ad aptive ( K ) a n d  the forme r  one, the   corre s p ondin g   K  of the smallest on e is saved;  Step 7: Output  K  adaptive softwa r e vuln erability clu s t e rs.   END  Whe r ein, i n  g eneral  con d itions,  2  ≤   K   ≤   K max .   And the paramete r   K  is m u ch le ss than  N ,  it is the nu mb er of  SVS  in  SVSD . We  set  K max  is   N  or  N ln 2 . Here, the l o we r limit of the  corre s p ondin g  intege r valu e is u s ed. Th e optimal  cl u s terin g  re sult s can be  obt ained effe ctively.  The impa ct of inaccurate  selectio n of paramete r   K  for the clusterin g  qualit y of  tradition al  K - mean s is red u ce d gre a tly.    4.4. T w o - Pha se Similarit y  Measuring    After  SVS  prepro c e s sing,  the  DV  (detected vulnerability)   and obj ects in  SVS D  are all  prep ro ce ssed  to equal-di m ensi onal ve ctors. He re,  DV  is extra c ted from the softwa r e sou r ce   cod e s after  static an alysi s , and  furthe r  need ed to  an alyze it s vuln erability featu r e a c co rding   to  some ce rt ain rule s.   In AKSC, the  s i milarities  between  SVS   are calculated by utilizing software vulnerability   seq uen ce ele m ents simila rity  SVSi m ( SVS x , SVS y ). It is d e si gne d  to analy z e t o  the  seq u e n ce  element s that  SVS x  and  SVS y  contains.  Thus the soft ware vulnera b ilities analy s is efficien cy can   be enh an ced  greatly.  The p r o c e s s  of simila rity measurement  is divi d ed int o  two  pha se s. In the first  st age, the  simila rities of  DV  a nd  K  software  vul n erability clustering  centers are comput ed. If the m o st   simila r software vuln era b i lity clusteri ng  cente r  to  DV  is found, t he second  st age of  simila rity  measure  will  be started.  In th e most similar  soft ware vul nerability cluster,  by  cal c ulati n g   simila rities b e twee n  SVS  and  DV ,   t he most  simila r  SVS  to  DV  can be  gai ned . The a nalysi s   repo rt of  DV  is recorded.  It is mainly  about t he rel e vant feature  information  SVSINF  of the   corre s p ondin g   SVS . On the co ntra ry, if  DV  is n o t simila r wi th any software vuln erabi lity  clu s terin g  ce nters, then it can be vie w e d  as a softwa r e ope ration  seq uen ce. Th e corre s po ndi ng  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4330 – 4 336   4334 analysi s  re po rt is outputte d. In a word,  whethe r  DV   is a real  SVS  or not will be determi ned i n   accordan ce with  two-pha se  s i milarity matc hing.      5. Experimental Re sults  and An aly s is   In order to verify the performance  of SVAAKSC  algorithm, FTP  s e rv er s o ftware wu-ftpd  unde r linux is adopted i n  this  se ction. T r adition al  stat ic analy s is to ol ITS4 is al so used du rin g   comp ari ng th e false po siti ve rate  analy s is.  Wh erei n, the effe ctive so urce  co de  line s  of  wu -ftpd  are 13 582, a nd the vulnerability code li nes a r e  64. 1 0000 softwa r e vulnera b ility seque nces  were   colle cted to e s tabli s h  SVSD .   O u r e x p e r i men t s  ar e ru n   on  th e In te l  C o r e   2   D u o 2 . 9 3 G H z   C P U ,   2G B ma in memo r y  an d  Mic r osoft XP.  All algorithms  are  written in  MyEc lipse 8.5. We c o mpare SVAAKSC with DV CMA   [9] in false po sitive rate an d analysi s  efficien cy.     5.1. False Positiv e  Rate Analy s is   In this  se ctio n, the fal s e p o sitive rates  of three  alg o rithms a r e  an alyzed  by the  formul a  as  follows .     m t v arvt FPR Num Num m R 1 ) 1 ( 1 ∗  100%                                                         (2)    Whe r ein,  Nu m arvt  denotes the num be r  of analyzed  real vulne r abil i ties in th e  t -t h false  positive rate  analysi s .  Nu m v   is the number of vulnerabilities  in software. We set m=10.  The  analysi s   resul t s of fal s e  positi ve rates  of SVAAKSC, DVCMA  and  IT S4 algorithms are shown as   Table 1.       Table 1. The  Analysis  Re sults of False Positive Rate s  Algorithm or Anal y s is Tool   False Positive R a te （ % ）   SVAAKSC  25.4%   DVCMA  30.8%   ITS4   36.9%       From  Tabl e  1, we   can  see that  in F T P se rver  so ftware  wu-ftp d, the  avera ge fal s e   positive  rate of SVAAKSC i s  lo wer t han  DVCMA and stati c   anal ysi s  tool  ITS4. Thus the   meanin g  of cl usteri ng resul t s can b e  exp l ained a c cura tely by SVAAKSC.  For SVAAKSC, by adaptive- K -based sequence clust e ring algorithm, SVSD is  clustered  by adaptive - K -based sequence clustering  algorith m  AKSC. It does not set cluster  number  K  in  advan ce, but  only re stri ct its ran ge. By comp ari ng wi th all the  Adaptiv e ( K ),  the  objec t with the  smalle st   Adap tiv e ( K ) i s  d eemed  to th e optimal   K . The  impa ct  of ina c curate sele ction  of  para m eter  K  for the clu s tering q uality is re du ced  gr eatly. The  optimal cl ust e ring  re sults of  software vul n erabilities  can be  gained.  The fal s e  po sitive rate will be redu ced greatly. In this  way, the final obtaine d  SVS  is  the mos t  s i milar with  DV .    5.2. Analy s is  Time Test   To test the  software vul nerabilities  analysi s  time  of SVAAKSC and  DV CM A,  Num   denote s  the  numbe r of software vul n e r abilitie s. We  set  Num =10 00, 2000, 3 0 00, 4000, 5 0 00.  The test re sul t s of the runni ng time of t he two algorith m s are sh own as Figu re 2.   As sh own in  Figure 2, th e runni ng tim e s of two al gorithm s are  growi ng line a rly with  increa sing  Num . In accordance  with t he support relationships  bet ween software  vulnerability  seq uen ce  SV S   and seq u e n ce elem ent  SE r  in  SSVSE , each  SVS   can  be  prep rocesse d  a s   a   | SSVSE |-dimensi onal  vector. If  SVS  su ppo rts  SE r ,  then th e  value  is 1,   otherwi se,  the   corre s p ondin g  value i s  0.  Furth e rmo r e ,  on the  basi s  of the  num ber  of all  seq uen ce el eme n t s   and the nu m ber of comm on se que nce element s bet wee n  two  SVS,  the compu t ation compl e xity  of the s i milarity meas urement in SVA AKSC is  decreas ed. Finally, the s o ftware vulnerability  analysi s  time is improved e ffectively.    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Software Vul nerability Analysi s Method Based  on Adaptive-K Sequence  Cl ustering (Di Wu)  4335     Figure 2. Running Times  of  SVAAKSC a nd DVCMA      6. Conclusio n   In this work, i n  ord e r to i m prove the  pe rfor man c e  of the false po sit i ve rate of  so ftware   vulnera b ilities analysi s  time, softwa r e  vu lnerability  analysi s  m e thod ba se d  on adaptiv e- K   s e quenc e   c l us tering named SVAAKSC  is  disc us sed. Firs t and foremos t, common  s o ft ware   vulnerabilities are  collect ed to establish  SVSD .  Afterwa r ds,  according  to the su pp ort  relation shi p s  betwe en soft ware vulnera b ility sequen ce s  SVS  and sequ en ce  element s, ea ch   SVS  can  be  pre p ro ce sse d  a s  eq ual-d imensi onal  vector.  Moreo v er, on th e  basi s  of  a n e w  definition of  a daptive  K  func tion,   a novel   adaptive - K -bas ed sequenc e   c l us tering algorithm  AKSC  is pre s e n ted. It does not se t cluste r num ber  K  in adva n ce, but only  rest rict its ran ge.  The  obje c t  wit h  t he  sm a llest   Adaptive ( K ) i s   deem ed to the  op timal  K . By adopting AKSC algorithm ,   K   vulnerability centers of  SVSD  are g a ine d . The impa ct of inaccurate  sele ction of para m eter  K  for  the cl ustering quality i s  reduced  greatly. The  optimal clusteri ng re sults of  software vulnerabiliti e s  can  be gai ne d. Afterwards, in accordan ce  with  two - p hase simil a rit y  matching,  wheth e r d e te cted   vulnerability  DV  is a real   SVS  or not will be dete r mined. On th e basi s  of th e numb e r of  al l   seq uen ce  ele m ents  and t he num be r o f  commo n se quen ce  elem ents b e twe e n  two  SVS,  the   comp utation  compl e xity of the  simila rity mea s u r eme n t is  de cre a sed. Finally, th e an alysi s  re port   of the detec ted vulnerability is  output.  Ou r experimental res u lt s  s h ow that  SVAAKSC  c a n  analyze  DV  of  softwa r e source co de s with  lo we r  fa lse  p o sitive rate,  and better  vuln era b ili ty  analysi s  time.       Ackn o w l e dg ements   This work is su ppo rted  by the National Natu ral Scien c e  Found ation  of China  (No.6 117 019 0), Youth  F ound ation of  He bei  Ed u c ation a l  Co mmittee (No . Q2012 070 )  and  Scien c e  and   Tech nolo g y  Re sea r ch a n d  Developm e n t Prog ram  o f  Han dan  (No : 13211 030 77 -3).  The a u thors also  wo uld  like to exp r ess thei r gratitude to th e revie w e r s,  who s e val u able  comm ents a r e very helpful  in revising th e pape r.      Referen ces   [1]  Li QY, Luo L. Determi nin g  the M i nim a l   Soft w a re  Rel i abil i t y  T e st Effort b y  Stratifi ed S a mpl i n g .   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2013; 1 1 (8): 4 399- 440 6.   [2]  Ren J D , Xie Y J , Z hang AG, et al. A Cl ose d  Sequ enti a l Pa ttern Mini ng Al gorithm for  Dis cover y  of t h e   Soft w a re Bugs  F eature.  Journ a l of Co mp utati ona l Informatio n  Systems . 20 11; 7(7): 23 22- 232 9.  [3]  Sun SJ,  Xiao  J .  A Soft w a re  R e lia bi lit y GEP  Mode l Bas ed  o n  Usa g e  Profil e.  T E LKOMNIKA Indo nesi a n   Journ a l of Elec trical Eng i ne eri n g . 201 2; 10(7) : 1756-1 7 6 4 .  [4]  Ning JF , Hu M. Stud y  on Softw a r e Qual it y  I m prov em ent b a sed o n  Ra yl ei gh Mod e l an d PDCA Mode l.   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2013; 1 1 (8): 4 609- 461 5.   [5]  Eichi nger F ,  Böhm   K, Hube r M. Mining Edge-W e ighte d  Ca ll Grap hs to Loca lize Sof t w ar e Bugs .   Lecture N o tes i n  Co mp uter Scienc e . 200 8; 5211: 33 3-3 48.   [6]  He H, Z hao  L, Li Q, et a l .  Analy z e  So ftw are Defects w i th Program Structure  Dep end ency .  Procee din g s of  the 2 nd Inter n ation a l C onfer ence  on  Comp uter an d Ap plic ations  ( CCA).  201 3; 17: 5 3 - 57.   0 150 300 450 600 750 1000 2000 3000 4000 5000 Running  tim e     T/s Num SVAAKSC DVCMA Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 6, June 20 14:  4330 – 4 336   4336 [7]  Maha w e er a w at  A, Sophat sath it P, Lursinsap  C.  Adaptive Se lf-Organi z i n g  M ap Clust erin g for Softw are  F ault Pred ictio n . Procee di ngs  of the 4t h Intl . Joint C onfere n ce o n  C o mpu t er Scienc e a n d  Soft w a r e   Engi neer in g. T hail a n d . 200 7: 35-4 1 .  [8]  Masri W ,  Podg urski A. Appl ic ation- base d  An omal y  Intrusion Detection  w i th  D y namic Infor m ation F l o w   Anal ys is.  Co mputers an d Sec u rity . 2008; 2 7 ( 5 ): 176-1 87.   [9]  W ang YY, Wang YN, Re n  JD. Soft w a re  Vulner abi litie s Detection U s ing R api d D ensit y-b a s e d   Clusteri ng.  Jou r nal of Co mput ation a l Infor m a t ion Syste m s. 201 1; 8(14): 32 95-3 302.   [10]  Ren  JD, C a i B L , He  HT , et al. A Meth od f o r Detecti ng S o ftw a r e  Vul nera b i lities B a se d  on  Clust eri n g   and Mo del A n a l y z ing.  Jo urna l of Computati o n a l Informatio n  Systems . 20 11 ; 7(4): 1065-1 0 73.     Evaluation Warning : The document was created with Spire.PDF for Python.