大语言模型在软件安全中的应用：漏洞检测技术与洞见综述
密码学与安全
2025-02-19 v2 人工智能
摘要
大语言模型 (LLM) 正在成为软件漏洞检测领域的变革性工具，旨在解决该领域的关键挑战。传统方法，如静态和动态分析，常常因效率低下、误报率高以及现代软件系统日益复杂而屈服。通过利用其分析代码结构、识别模式和生成修复建议的能力，以 GPT、BERT 和 CodeBERT 为代表的 LLM，为缓解漏洞提供了一种新型且可扩展的解决方案。本文对 LLM 在漏洞检测中的应用进行了详尽综述。我们检讨了关键方面，包括模型架构、应用方法、目标语言、微调策略、数据集和评估指标。我们还分析了当前研究问题的范围，突出了现有方法的优势与不足。进一步，我们讨论了诸如跨语言漏洞检测、多模态数据集成和存储库级分析等挑战。基于这些发现，我们提出了解决数据集可扩展性、模型可解释性以及低资源场景应用问题的方案。我们的贡献有三个：(1) 系统性地审查了 LLM 在漏洞检测中如何被应用；(2) 对跨越性研究模式与差异进行分析，构建统一框架以理解该领域；(3) 汇总关键挑战与未来研究方向。本工作为推动基于 LLM 的漏洞检测提供了宝贵见解。我们还维护并定期更新最新选取的论文列表，链接为 https://github.com/OwenSanzas/LLM-For-Vulnerability-Detection
引用
@article{arxiv.2502.07049,
title = {LLMs in Software Security: A Survey of Vulnerability Detection Techniques and Insights},
author = {Ze Sheng and Zhicheng Chen and Shuning Gu and Heqing Huang and Guofei Gu and Jeff Huang},
journal= {arXiv preprint arXiv:2502.07049},
year = {2025}
}
备注
33 pages, 12 figures