随着软件的发展,软件的安全问题已经受到了工业界的关注和担忧。软件验证正是其中一种可以检查软件安全的方法。近年来,由于对软件安全需求的迫切性,大量的软件验证算法被研究人员提出,用来验证软件是否满足相关性质。可惜的是,由于软件验证算法的复杂,又缺乏统一的度量标准来提供给软件安全从业者选择合适的验证算法。如何为软件安全从业者提供合适的验证算法成为了软件验证领域迫切解决的问题。软件验证算法的自动化推荐成为了解决上述问题的关键技术。目前的软件验证算法自动推荐技术都是基于机器学习算法的分类模型。旨在通过机器学习算法去学习到软件验证任务与软件验证算法之间的对应规律,从而形成一个能预测出给定验证任务和特定验证算法是否合适的推荐模型。然而,这些推荐模型都存在着软件特征提取困难、数据分布不平衡等问题。在本文中,我们提出基于LSTM和区域分类的验证算法推荐模型。首先,面对软件特征提取的困难,我们通过基于程序控制流图（Control Flow Graph,CFG）和word2vec来形成代码单词的嵌入向量。然后使用长短期记忆网络（Long Short Term Memory,LSTM）来学习代码的上下文信息,形成一个基于LSTM的验证算法推荐模型。其次,为了解决数据集类别不平衡的问题,提出了基于代码的样本增强的方法来提高基于LSTM的算法推荐模型在样本数量少的类上的准确率。在本文中,我们提供了两种基于代码的样本增强的方法,特别是提出了代码对抗样本的方法来增强样本。此外,本文还研究了基于LSTM的验证算法推荐模型针对代码对抗样本的防御,提出了基于语句重要度的区域分类防御方法。最后,通过三个实验分别验证了（1）基于LSTM的验证算法推荐模型优于现有的软件算法推荐技术。（2）基于代码的样本增强的方法能帮助基于LSTM的推荐模型提高在少数类上的准确率。（3）基于语句重要度的区域分类能有效减轻代码对抗样本的攻击。本文的主要贡献如下:·本文提出了基于控制流图和word2vec的软件代码特征提取方法。通过把软件代码看成是英文文本,用word2vec去获取代码文本中词的嵌入向量。最后,用这些单词的嵌入向量构建了代码的特征向量。基于控制流图和word2vec的代码特征提取方法是首次应用在软件验证算法自动化推荐技术研究中。·提出了基于代码对抗样本的数据增强方法。即通过生成代码对抗样本的方法来增强数据集数据。这种方法启发于文本的对抗训练。在本文工作中,基于代码对抗样本的数据增强方法是对抗训练在软件验证算法自动化推荐模型中的一次尝试。·提出了基于语句重要度的区域分类算法来增强基于LSTM模型的鲁棒性。与之前的区域分类不同的是,我们的采样方法是有方向的。在特定的语句对应向量空间上进行区域采样。基于语句重要性的区域分类算法是区域分类在代码文本上的扩展,同时也对其他的文本任务的防御也具有借鉴意义。