چکیده: با گسترش روزافزون پیچیدگی نرم‌افزارها، تشخیص خودکار آسیب‌پذیری‌های امنیتی در کد منبع به یکی از چالش‌های حیاتی در حوزه امنیت سایبری تبدیل شده است. اگرچه روش‌های نوین مبتنی بر یادگیری عمیق و شبکه‌های عصبی گرافی پیشرفت‌های قابل‌توجهی داشته‌اند، اما مدل‌سازی کد با استفاده از گراف‌های ویژگی استاندارد (CPG) اغلب منجر به تولید گراف‌های بسیار حجیم و پرنویز می‌شود. این پیچیدگی ساختاری، پدیده‌های نامطلوبی نظیر انفجار فضای حالت و هموارسازی بیش‌ازحد (Oversmoothing) را در پی داشته و توانایی مدل را در تمایز الگوهای حساس کاهش می‌دهد. پژوهش حاضر با هدف غلبه بر این محدودیت‌ها، رویکرد نوینی تحت عنوان HyperSlice را معرفی می‌کند که تلفیقی از تکنیک برش برنامه (Program Slicing) و شبکه‌های عصبی ابرگرافی (HGNN) است. در این روش، ابتدا با تمرکز بر نقاط حساس برنامه، برش‌های معنایی استخراج شده و سپس هر برش به‌جای تجزیه به یال‌های دودویی متعدد، به یک ابریال (Hyperedge) واحد در ساختار ابرگراف تبدیل می‌شود. این بازنمایی فشرده، ضمن کاهش 7/96 درصدی تعداد روابط نسبت به گراف‌های کامل، زنجیره‌های وابستگی داده‌ای و کنترلی را به‌صورت یکپارچه حفظ می‌کند. برای استخراج ویژگی‌های معنایی، از مدل زبانی CodeBERT استفاده شده است. ارزیابی مدل پیشنهادی بر روی دادگان استاندارد Devign (شامل پروژه‌های متن‌باز FFmpeg و QEMU) نشان می‌دهد که HyperSlice با دستیابی به امتیاز F1 برابر با 47/61%، عملکردی رقابتی با روش‌های پیشرفته موجود دارد. دستاورد برجسته این پژوهش، ارتقای قابل‌توجه نرخ بازخوانی (Recall) به 99/77% است که بهبودی حدود 8/6 واحد درصد نسبت به مدل پایه Devign را نشان می‌دهد. این نتیجه بیانگر کارایی بالای روش پیشنهادی در کاهش نرخ منفی کاذب و شناسایی دقیق‌تر الگوهای پنهان آسیب‌پذیری است که در کاربردهای امنیتی حساس از اولویت بالایی برخوردار است.