【论文速读】| 增强静态分析以实现实用漏洞检测：一种集成大语言模型的方法

本次分享论文为：Enhancing Static Analysis for Practical Bug Detection: An LLM-Integrated Approach

基本信息

原文作者：Haonan Li, Yu Hao, Yizhuo Zhai, Zhiyun Qian

作者单位：加州大学河滨分校

关键词：静态分析、错误检测、大语言模型

原文链接：

https://www.cs.ucr.edu/~zhiyunq/pub/oospla24_llift.pdf

开源代码：暂无

论文要点

论文简介：本文提出了一种名为 LLift 的框架，这是一个先进的自动化工具，旨在通过集成大语言模型(LLMs)来增强静态分析在错误检测中的能力。特别是，研究聚焦于识别 Linux 内核中的使用前初始化(UBI)错误。通过在路径敏感分析中引入后约束引导的路径分析优化，并结合精心设计的过程，LLift 能够高效处理特定错误建模、大规模代码库的挑战以及 LLMs 的不可预测性。实际评估表明，LLift 在主流 Linux 内核中成功识别了四个之前未被发现的 UBI 错误，这些错误已得到 Linux 社区的认可。

研究背景：尽管静态分析在发现软件错误方面起着重要作用，但在分析大型且复杂的代码库时，其精确性面临挑战。现有的静态分析工具在处理如 Linux 内核这样的大型软件项目时，往往会因为缺乏路径敏感性而产生大量误报。此外，传统静态分析方法在分析复杂函数和循环结构时也会遇到困难。

研究贡献：

1.新的机遇：首次展示了利用 LLMs 克服静态分析限制、增强其查找错误能力的方法。

2.后约束引导路径分析：在大规模代码库的实际错误检测中利用后约束引导的路径剪枝，有效增强了静态分析在路径敏感分析中的能力。

3.利用 LLMs 的方法论：开发了 LLift，这是一个创新且完全自动化的框架。LLift 采用多种策略与 LLMs 交互，获得准确可靠的响应。

4.结果：通过对近 300 个 UBITect 未定案例的严格调查，LLift 展现了合理的精确率（50%）并且没有发现遗漏的错误。此外，LLift 从 UBITect 中发现了 13 个未被发现的错误，其中四个已被 Linux 社区确认为真实错误。

引言

静态分析一直是理解程序行为、提高代码质量、可靠性和安全性的重要工具。在错误发现领域，它提供了一种主动机制，能在代码投入生产前发现错误。然而，现代软件的复杂性，如 Linux 内核等大型代码库，挑战了静态分析的极限。本文提出的 LLift 框架，通过将静态分析和大语言模型(LLMs)的能力结合起来，为静态分析在错误检测中的应用开辟了新的方向。

背景知识

本文详细介绍了静态分析在实践中面临的一般挑战，包括知识边界的固有问题和穷尽路径探索的问题。此外，还探讨了大语言模型(LLMs)的能力，如何“绕过”这些挑战，提供了一种灵活的方式总结代码行为，这为解决静态分析的固有挑战提供了新的思路。

论文方法

理论背景：通过引入后约束引导的路径分析来优化路径敏感分析，聚焦于触发错误的约束，可以减少探索路径，使复杂漏洞分析更加精确。

方法实现：解决集成 LLMs 到静态分析中，用于错误识别的挑战和潜在的解决方案。LLift 框架展示了静态分析和 LLMs 能力的无缝集成。

实验

实验设置：LLift 主要在 Linux 内核上进行评估。利用 UBITect 在 Linux 内核中标识的未决 UBI 警告（对 Linux 内核来说是 40%），识别了四个新的错误。

实验结果：通过融合优化的路径分析和 LLMs 的判别能力，LLift 在新时代的错误识别领域推动了静态分析的发展。本文记录了这一探索过程，详细介绍了我们的策略和从实践中获得的见解。

论文结论

在这项研究中，研究人员引入了 LLift，这是一个突破性的框架，它通过集成大语言模型 (LLM) 来增强静态分析，以有效且高效地检测通用缓冲区溢出 (UBI) 漏洞。通过采用后约束引导分析，LLift 改进了路径验证能力，解决了复杂的漏洞挑战。通过一系列及时的策略，LLift 有效地利用法学硕士来确保其输出的可靠性和一致性。测试证明了 LLift 的效率，识别出 Linux 内核中的 13 个新的 UBI 漏洞，准确率达到 50%。这项研究凸显了法学硕士与静态分析相结合的潜力，为该领域的未来探索奠定了基础。

原作者：论文解读智能体

润色：Fancy

校对：小椰风