.png){kind=icon}
返回
Enhancing Inter-procedural Static Analysis with Selective LLM-Driven Data-flow Summarization
.png){kind=icon}
PRE
AI
DOI：10.1109/tse.2026.3726981.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
静态污点分析是通过追踪未受信任输入到危险操作的流程来检测软件漏洞的关键技术。然而，它在平衡精度和性能方面面临重大挑战，尤其是在大型和复杂代码库中。为应对这一挑战，我们研究了将大型语言模型（LLMs）集成到基于摘要的静态分析中，系统性地识别利用LLMs高级代码摘要能力的最佳机会。在本工作中，我们提出LLSUM，一种新颖的方法，选择性地集成LLMs来总结静态分析无法有效处理的复杂方法，并将结果无缝整合回分析流程。我们引入了一种条件摘要表示，连接LLMs生成的摘要与精确的符号表示，一种分析算法以收集生成可重用摘要的充足上下文，以及一种调度策略以确定LLMs在何时何地最能提高效率和精度。我们在多个流行的开源Java项目上评估了LLSUM，实现了6%-43%的准确率提升和高达16倍的加速效果，优于基线方法。此外，LLSUM在真实世界应用中发现了28个独特的零日漏洞，其中7个已获得CVE标识符。这些结果表明LLSUM在提高静态污点分析的精度和效率方面是有效的，为更强大和可扩展的漏洞检测铺平了道路。
Keyword:
LLM
Data-flow Summarization
Static Analysis
Java Vulnerability
