LLM 作为固件专家：运行时生长的智能体树框架
密码学与安全
2025-11-25 v1 软件工程
摘要
大语言模型（LLM）及其智能体系统最近在自动化代码推理和漏洞检测方面展现出强大潜力。然而，应用于大规模固件时，其性能会因固件的二进制特性、复杂的依赖结构以及异构组件而下降。为此，本文提出 FIRMHIVE，一个递归智能体群，使 LLM 能够充当自主固件安全分析师。FIRMHIVE 引入两个关键机制：（1）将委派转化为每个智能体的可执行原语，（2）构建运行时智能体树（ToA）实现去中心化协调。我们使用来自公开数据集的真实固件镜像进行评估，涵盖五个代表性安全分析任务。与现有 LLM 智能体基线方法相比，FIRMHIVE 实现了约 16 倍更深的推理步骤和约 2.3 倍更广泛的文件检查，导致每个固件约 5.6 倍更多的警报。与最先进（SOTA）安全工具相比，FIRMHIVE 识别出约 1.5 倍更多漏洞（共计 1,802 例），并实现 71% 的精确率，显著提升了产出和保真度。
引用
@article{arxiv.2511.18438,
title = {LLMs as Firmware Experts: A Runtime-Grown Tree-of-Agents Framework},
author = {Xiangrui Zhang and Zeyu Chen and Haining Wang and Qiang Li},
journal= {arXiv preprint arXiv:2511.18438},
year = {2025}
}
备注
18 pages, 13 figures