通过LLM增强的路径可行性分析最小化静态缺陷检测中的误报
软件工程
2025-06-13 v1
摘要
静态缺陷分析器在确保软件质量方面发挥着关键作用。然而，现有的大规模代码库缺陷分析器常常受到高误报率的困扰。这主要是由于分析器在多条件分支和复杂数据依赖的路径可行性验证方面能力有限。虽然当前的基于LLM的方法试图解决此问题，但其有效性仍受限于约束链式分析不足和大规模项目中的可扩展性挑战。为应对这一挑战，我们提出了迭代式路径可行性分析框架LLM4PFA。通过利用基于LLM代理的定向约束推理，以及由代理规划驱动的关键上下文感知分析，LLM4PFA有效增强了复杂的过程间路径可行性分析，从而最小化静态缺陷检测中的误报。评估结果显示，LLM4PFA精确过滤了静态缺陷检测中72%至96%的误报，相比所有基线方法显著提升41.1%至105.7%；同时LLM4PFA在45个真阳性中仅遗漏3个真实缺陷。
引用
@article{arxiv.2506.10322,
title = {Minimizing False Positives in Static Bug Detection via LLM-Enhanced Path Feasibility Analysis},
author = {Xueying Du and Kai Yu and Chong Wang and Yi Zou and Wentai Deng and Zuoyu Ou and Xin Peng and Lingming Zhang and Yiling Lou},
journal= {arXiv preprint arXiv:2506.10322},
year = {2025}
}