CQLLM: A Framework for Generating CodeQL Security Vulnerability Detection Code Based on Large Language Model

Le Wang

doi:10.3390/app16010517

CQLLM: A Framework for Generating CodeQL Security Vulnerability Detection Code Based on Large Language Model

2026-01-04

0

OA

AI

DOI：10.3390/app16010517

原文链接

查看原文

摘要

En 中文

随着软件系统复杂性的日益增加，软件中包含的安全漏洞数量也随之上升。现有的左移安全理念旨在软件开发周期中检测和修复漏洞。尽管CodeQL是目前市场上领先的静态代码分析工具，但其高门槛给左移安全倡议的实施带来了挑战。虽然大型语言模型（LLM）在QL代码开发方面具有潜在帮助，但代码生成任务的固有复杂性往往导致持续性问题，如语法不准确和引用不存在模块，从而限制了其在该领域的实际应用。为解决这些挑战，本文提出CQLLM（CodeQL增强的大型语言模型），一种利用LLM自动化生成CodeQL安全漏洞检测代码的新型框架。该框架旨在提高自动化QL代码生成的效率和准确性，从而推动静态代码分析向更高效、更智能的漏洞检测范式发展。首先，采用检索增强生成（RAG）在向量数据库中搜索与用户输入高度相似的依赖库和代码片段，从而约束模型的生成过程并防止导入无效模块。然后，将用户输入和RAG检索到的知识片段输入到微调的LLM中进行推理并生成QL代码。通过将外部知识库与大型模型集成，该框架提高了生成代码的正确性和完整性。实验结果表明，CQLLM显著提高了生成QL代码的可执行性，执行成功率从0.31%提升至72.48%，大幅优于原始模型。同时，CQLLM也增强了生成结果的有效性，在漏洞检测任务中实现了57.4%的CWE（通用弱点枚举）覆盖率，展示了其在实际漏洞检测中的适用性。

Keyword:

CodeQL

large language model

vulnerability detection

CQLLM: A Framework for Generating CodeQL Security Vulnerability Detection Code Based on Large Language Model

摘要

AI总结

期刊

机构