当前,越来越多的物联网厂商将第三方代码库编译并部署在不同平台上,由于代码的交叉复用,使得对跨平台的二进制代码进行同源性检测具有极大的实用价值。跨平台二进制代码同源性检测旨在检测来自不同平台的两个二进制函数是否属于同源函数。它有很多应用到安全方面的例子,比如抄袭检测、恶意软件检测、漏洞搜索等。现有的同平台二进制代码关联方法并不能直接应用到跨平台场景中来:比特流比对技术分析的对象是比特流,它与平台采用的编码方式相关;指令序列比对技术分析的对象是指令序列,它与平台采用的指令集相关;动态插桩技术分析的是动态分析过程中的中间结果,受限于分析工具的平台兼容性。现有的跨平台二进制代码关联分析依赖于近似图形匹配算法,这些算法在同源性检测速度上不可避免的比较缓慢,而且在精度上准确率不高,难以适应新任务。近年来深度学习技术已经广泛应用于各种领域,包括二进制函数分析,并且已经显示其精度高、速度快的优势。本文主要研究基于深度学习的方法检测二进制函数对的同源性,本文将利用二进制函数代码属性控制流图的跨平台性,为每一个待检测函数对中的函数提取出相应的属性控制流图,然后利用图嵌入神经网络为每一个属性控制流图生成一个嵌入向量,最后通过计算一对函数各自对应数值向量之间的距离来衡量待检测函数对的同源相似性。本文提出了基于全连接神经网络和基于GRU循环神经网络的两种图嵌入算法,在现有的属性控制流图顶点嵌入算法的基础上,分别利用全连接神经网络和GRU循环神经网络来生成图嵌入,最终对整个孪生图嵌入神经网络进行端到端地训练。实验结果表明:在使用同样的训练和验证数据集的情况下,本文提出的两种图嵌入算法表现出的相似性检测准确性方面优于现有基于深度学习的关联技术,并且两种算法在对非同源的二进制代码对检测方面的效果更加显著。