AutoVulnPHP：基于大语言模型的 PHP 漏洞检测与自动定位
密码学与安全
2026-01-13 v1 软件工程
摘要
PHP 在 web 开发中的主导地位因安全挑战而受到动摇：静态分析缺乏语义深度导致误报率高；动态分析计算成本高；自动化漏洞定位粒度粗且上下文不精确。此外，缺乏大规模 PHP 漏洞数据集和碎片化工具链阻碍了实际部署。我们提出AutoVulnPHP，一个集成两阶段漏洞检测与精细化自动定位的端到端框架。SIFT-VulMiner（结构推理 flaw 分级 漏洞矿工）通过增强的数据流的 AST 结构生成漏洞假设；SAFE-VulMiner（语义分析 flaw 评估 漏洞矿工）通过预训练代码编码器嵌入验证候选者，消除误报；ISAL（递增序列分析用于定位）通过语法引导的追踪、链式思考 LLM 推理和因果一致性检查精确定位根因。我们贡献 PHPVD，即首个大规模 PHP 漏洞数据集，包含 26,614 个文件（520 万 LOC），覆盖七类漏洞。在公开基准和 PHPVD 上，AutoVulnPHP 实现 99.7% 检测准确率、99.5% F1 分数和 81.0% 定位率。在实际仓库中部署时，发现了 429 个尚未知情的漏洞，其中 351 个被分配 CVE 编号，验证了其实际有效性。
引用
@article{arxiv.2601.06177,
title = {AutoVulnPHP: LLM-Powered Two-Stage PHP Vulnerability Detection and Automated Localization},
author = {Zhiqiang Wang and Yizhong Ding and Zilong Xiao and Jinyu Lu and Yan Jia and Yanjun Li},
journal= {arXiv preprint arXiv:2601.06177},
year = {2026}
}