LLM與安全風(fēng)險(xiǎn)治理端到端解決校驗(yàn)缺失風(fēng)險(xiǎn)代碼

LLM與安全風(fēng)險(xiǎn)治理端到端解決校驗(yàn)缺失風(fēng)險(xiǎn)代碼頁(yè)碼2.基于LLM的風(fēng)險(xiǎn)代碼識(shí)別與修復(fù)頁(yè)碼頁(yè)碼 頁(yè)碼頁(yè)碼?但木桶理論讓“攻守效率”不平等，使用相同的方法無法實(shí)現(xiàn)目標(biāo)1.風(fēng)險(xiǎn)治理時(shí)機(jī)左移:盡早解決風(fēng)險(xiǎn)2.AIfor安全:“泛化能力”、“檢測(cè)未知風(fēng)險(xiǎn)”??頁(yè)碼頁(yè)碼?安全風(fēng)險(xiǎn)其實(shí)是一個(gè)過程而非瞬時(shí)狀態(tài)，暨多層脆弱性構(gòu)成的因果鏈路最終左移的核心是解決更深層成因讓治理風(fēng)險(xiǎn)更高效頁(yè)碼頁(yè)碼及時(shí)且自動(dòng)的修復(fù)風(fēng)險(xiǎn)來降低成本及時(shí)且自動(dòng)的修復(fù)風(fēng)險(xiǎn)來降低成本?風(fēng)險(xiǎn)代碼是漏洞的必要條件?難以壓縮：解決時(shí)機(jī)前移、確認(rèn)‘可利用性’和‘危害’難度大2.現(xiàn)有面向漏洞的修復(fù)流程成本高昂?頁(yè)碼頁(yè)碼?業(yè)務(wù)場(chǎng)景定義了安全風(fēng)險(xiǎn)成因與危害，以‘校驗(yàn)缺失’風(fēng)險(xiǎn)代碼為例1.從業(yè)務(wù)代碼中識(shí)別校驗(yàn)需求?變量結(jié)構(gòu)定義、上下文函數(shù)定義?支撐校驗(yàn)的CommonSense/客觀關(guān)系知識(shí)2.理解歷史上不同校驗(yàn)需求對(duì)應(yīng)的實(shí)現(xiàn)方式?組件、中間件、自定義代碼、三方函數(shù)頁(yè)碼頁(yè)碼義分析、甚至是簡(jiǎn)單數(shù)據(jù)流分析，同時(shí)具備多種碼從代碼語義、注釋語義、數(shù)據(jù)流等多角度信息合理推?LLM的代碼生成能力：多種頁(yè)碼頁(yè)碼），RiskyCodeLLM可在語義層面理解業(yè)務(wù)場(chǎng)景、分析校驗(yàn)需求并補(bǔ)全校驗(yàn)語句頁(yè)碼頁(yè)碼與IfStatement校驗(yàn)語句缺失相關(guān)（在漏洞修復(fù)MR中新增關(guān)鍵IfStatement）頁(yè)碼）：解“當(dāng)前的任務(wù)/指令為補(bǔ)全校驗(yàn)語句”，以及“在何種代碼分布下需要補(bǔ)全校驗(yàn)頁(yè)碼過If判斷結(jié)果，關(guān)鍵信息應(yīng)是鑒權(quán)函數(shù)，），頁(yè)碼在Prompt內(nèi)豐富上下文信息可緩解幻覺（hallucination）問題頁(yè)碼頁(yè)碼當(dāng)前函數(shù)代碼頁(yè)碼?參數(shù)量、ContinueTraining以及在CallwithAddtionalContext頁(yè)碼?上傳漏洞、SSRF等“校驗(yàn)形式單