本文介绍了数据流分析的核心概念，即数据如何在控制流图（CFG）的节点和边上流动。详细阐述了三种经典分析：到达定值分析（检测变量定义）、活跃变量分析（判断变量未来是否被使用）和可用表达式分析（识别可复用的计算结果）。每种分析都涉及数据抽象、转移方程、控制流处理及迭代算法，并说明了初始化策略和终止条件（不动点）。

本文介绍编译器与静态分析中的中间表示（IR），重点阐述为何使用IR而非AST进行静态分析，并详细说明三地址码（3AC）和静态单赋值（SSA）的特点，以及如何通过基本块和控制流图（CFG）构建控制流分析的基础结构。

本文综述了基于控制流图（CFG）特征提取和机器学习的恶意软件检测技术，探讨了不同特征提取方法和算法，提出了C/C++源代码漏洞数据集CVEFGE及基于图神经网络的学习框架SEGNN，实验结果显示其在图分类中表现优异。此外，介绍了结合深度学习和程序数据流分析的漏洞检测框架DeepDFA及其他新颖方法，展示了在漏洞检测和图像伪造识别等领域的应用潜力。