基于大语言模型的语义增强间接调用分析

在当代软件开发中，广泛使用间接调用以实现动态特性，给构建精确控制流图 (CFG) 带来挑战，进而影响下游静态分析任务的性能。为解决此问题，已提出 various 类型的间接调用分析器。然而，它们未充分利用程序的语义信息，限制了其在实际场景中的有效性。为此，本文提出语义增强分析 (SEA)，以增强间接调用分析的有效性。我们的基本洞察是，对于常见的编程实践，间接调用往往在语义上与其被调用目标具有相似性。这种语义一致性为静态分析技术过滤误目标提供了支持机制。值得注意的是，当代大型语言模型 (LLM) 已在广泛的代码语料库上进行训练，涵盖代码摘要等任务，使其适用于语义分析。具体而言，SEA 利用 LLM 从多个角度生成间接调用和目标函数的自然语言摘要。通过进一步分析这些摘要，可以确定其作为调用者-被调用者对的合适性。实验结果表明，SEA 能显著提升现有静态分析方法，产生更精确的间接调用目标集。