Large Language Models-Aided Program Debloating

doi:10.1109/TSE.2025.3594673

Large Language Models-Aided Program Debloating

0

PRE

AI

DOI：10.1109/TSE.2025.3594673

原文链接

原文求助

摘要

En 中文

随着软件复杂度的增加以适应多样化的功能和平台，软件臃肿已成为一个显著挑战，对性能和安全性产生不利影响。然而，现有方法未能充分解决精简软件的两个目标：通过保留核心功能来维持功能性，以及通过减少安全问题来增强安全性。具体而言，当前的软件精简技术通常依赖基于输入的分析，使用用户输入作为所需功能的代理规范。然而，这些方法经常过度拟合提供的输入，导致功能丢失和潜在的安全漏洞。为解决这些局限性，我们提出了LEADER，一个由大型语言模型（LLMs）增强的程序精简框架，利用其语义理解、生成能力和决策优势。LEADER主要由两个模块组成：（1）一个文档引导的测试增强模块，旨在保留功能性，利用LLMs理解程序文档并生成足够的测试以全面覆盖所需功能；（2）一个多顾问辅助的程序精简模块，采用神经符号管道确保在精简过程中软件的安全性得到保障。该模块结合精简和安全性顾问进行分析，并使用LLM作为决策者以安全地消除不需要的代码。在广泛使用的基准测试上的全面评估证明了LEADER的有效性。它实现了95.5%的测试用例通过率，并将程序大小减少了42.5%。值得注意的是，它在精简过程中将漏洞引入减少了79.1%，比CovA多减少了16.5%的已有漏洞。这些结果表明LEADER在功能和安全性方面超越了当前最先进的工具CovA。这些结果强调了LEADER通过有效平衡功能性和安全性，在程序精简领域设定新标准的潜力。

Keyword:

Software debloating

program reduction

large language model

Large Language Models-Aided Program Debloating

摘要

期刊

机构

引用论文