随着网络攻击和犯罪日益猖獗，软件漏洞检测的准确性与全面性面临重大挑战。针对跨程序漏洞复杂语义难以捕获、数据流信息难以全面解析以及漏洞模式特征提取困难等问题，提出了一种基于LLVM IR与双向门控图神经网络Bi-GGNN的双向数据流分析的漏洞检测方法——BiG-BiD(Bi-GGNN based on Bidirectional DFA)。该方法首先通过LLVM编译源代码生成LLVM IR，并构建过程间控制流图(ICFG)，以引入跨过程漏洞语义信息。此外，设计了一种结合抽象数据流与LLVM IR行级漏洞属性特征嵌入的ICFG抽象嵌入方法DLAE(DFA Line-level Abstract Embedding)，以精确表征代码潜在漏洞模式。最后，通过Bi-GGNN训练迭代的方式，在ICFG中动态模拟到达定义分析与活跃变量分析，实现抽象数据流的动态传播与更新。实验结果表明，在Big-Vul与Reveal两个公开数据集上，BiG-BiD的召回率达到73.7%，相比现有静态分析工具和基于深度学习的漏洞检测模型提升了5%-38%。同时，在四个开源项目中成功检测出模型从未见过的23个CVE漏洞，其中10个漏洞仍未修复，证明了该方法在漏洞检测任务上的有效性和泛化性。