.png){kind=icon}
返回
Leveraging Static Analysis for Feedback-Driven Security Patching in LLM-Generated Code
.png){kind=icon}
OA
AI
DOI：10.3390/jcp5040110.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型语言模型（LLMs）在自动代码生成方面显示出非凡的潜力。然而，这些模型与人类开发者一样存在弱点：无意中生成包含安全漏洞的代码，这可能允许未经授权的攻击者访问敏感数据或系统。在本文中，我们提出了反馈驱动安全补丁（FDSP）方法，其中LLMs自动优化生成的漏洞代码。我们方法的关键是一个独特的框架，利用自动静态代码分析，使LLMs能够创建和实施针对代码漏洞的潜在解决方案。此外，我们整理了一个新型基准数据集PythonSecurityEval，它通过涵盖数据库、网站和操作系统等多样化的真实应用场景，能够加速代码生成领域的发展。我们提出的FDSP方法实现了最显著的改进，在Bandit评估中漏洞减少了高达33%，在CodeQL评估中减少了12%，并超越了基线优化方法。
Keyword:
large language models
secure AI code
security patching
期刊
J
IF:
0
论文数:
131
被引数:
0
机构
引用论文
.png){kind=icon}
Software Testing With Large Language Models: Survey, Landscape, and Vision使用大型语言模型进行软件测试: 调查，景观和视觉OAAI
OAAI分享收藏分享收藏分享收藏分享收藏RL4F: Generating Natural Language Feedback with Reinforcement Learning for Repairing Model OutputsOAAI
OAAI分享收藏
查看更多内容