Hound：面向安全审计中复杂系统推理的关系优先知识图谱
密码学与安全
2025-10-14 v1 人工智能
机器学习
编程语言
摘要
Hound引入了一个关系优先的图引擎，改进了复杂代码库中跨互连组件的系统级推理。该代理设计了灵活的、由分析人员定义的视图，并带有紧凑的注释(例如，货币/价值流、认证/授权角色、调用图、协议不变量)，并使用它们来锚定精确检索：对于任何问题，它加载恰好相关的代码(通常跨组件)，以便它可以缩小到系统结构并放大到决定性代码行。第二个贡献是一个持久信念系统：长期存在的漏洞假设，其置信度随着证据的积累而更新。该代理采用覆盖度与直觉规划以及QA终结器来确认或拒绝假设。在ScaBench[1]的一个五项目子集上，Hound在召回率和F1分数上优于基线LLM分析器(微召回率31.2%对8.3%；F1分数14.2%对9.8%)，精度略有折衷。我们将这些收益归因于灵活的关系优先图，这些图将模型理解从调用/数据流扩展到抽象方面，再加上以假设为中心的循环；代码和工件已发布以支持复现。
引用
@article{arxiv.2510.09633,
title = {Hound: Relation-First Knowledge Graphs for Complex-System Reasoning in Security Audits},
author = {Bernhard Mueller},
journal= {arXiv preprint arXiv:2510.09633},
year = {2025}
}