token embedding model
- 操作码和操作数都是词
- 一个词的上下文是它的“上一行汇编”和“下一行汇编”。（比如操作码的上下文不包含它自己的操作数）
- 通过随机游走生成完整的“句子”，算法可以结合句子中的上下文生成词的向量。
- 词对应的向量使用word2vec算法生成（选用的是CBOW） https://zhuanlan.zhihu.com/p/95204186
- TF-IDF模型得出操作码重要程度，两个程序结合起来算
- 一行汇编对应的向量的计算：操作码向量x重要度++操作数的向量的平均数（因为数量不确定）
- 所以一个块的向量就是：
CFG generation
- 将两个ICFG合并成一张图，中间连边，将有相同字符串引用或库函数调用的基本块连在一起（每个字符串引用或库函数调用作为中间结点）。
- 图的embedding是用TADW计算的，这个算法会结合基本块的向量，得到每个基本块带图信息的embedding。
- 对每个中间结点开始，找出它们上面所有可能的配对里相似度最高的，直接配上，并放入curr集合。然后每次从curr集合中取出一个配对，获得每边的距离小于k的基本块。然后将这些块里相似度最高的两个作为新配对，并放回curr集合。除非周围的基本块都已经完成了配对，这时curr集合中的配对个数就减少了。
- 如果有未匹配的块，用匈牙利算法匹配。