基于上下文感知提示调谦的大语言模型代码漏洞修复
密码学与安全
2025-06-25 v2 人工智能
摘要
大型语言模型(LLM)在检测和修复涉及多个方面的漏洞时（如变量、代码流程和代码结构）表现出显著挑战。本研究采用GitHub Copilot作为LLM，聚焦缓冲区溢出漏洞。我们的实验显示，Copilot在处理缓冲区溢出漏洞方面表现出显著差距，漏洞检测率为76%，但仅为15%的漏洞修复率。为此，我们提出了一系列上下文感知提示调谦技术，以提高LLM在修复缓冲区溢出方面的性能。通过注入关于漏洞的领域知识，包括各种安全和代码上下文，我们表明Copilot的成功修复率提高到63%，相当于在不包含领域知识时的修复率的4倍以上。
引用
@article{arxiv.2409.18395,
title = {Code Vulnerability Repair with Large Language Model using Context-Aware Prompt Tuning},
author = {Arshiya Khan and Guannan Liu and Xing Gao},
journal= {arXiv preprint arXiv:2409.18395},
year = {2025}
}