大语言模型的多任务自指令微调下的安全漏洞检测

🔍 背景

软件安全漏洞检测的挑战

• 现有基于静态分析的深度学习模型（如AST、数据流分析）精度高但扩展性差，训练时间长（如IVDetect需9天）。

• 基于LLM的检测工具（如LineVul）依赖代码标记，缺乏漏洞类型解释和数据流结构信息，且受限于上下文窗口大小。

•  现有漏洞数据集（如BigVul、Devign）规模小，且可能被现代LLM记忆，导致评估数据泄露。

✨ 创新点

1.  多任务自指导微调（MSIVD）

   • • 结合漏洞检测、解释和修复任务，通过对话格式增强模型推理能力。

2.  LLM与GNN融合

   • • 利用控制流图（CFG）的GNN嵌入捕获程序数据流信息，提升漏洞检测精度。

3. 新型数据集构建

   • • 基于PreciseBugsCollector构建包含2023年后漏洞的数据集，避免LLM训练数据污染。

⚙️ 方法

 

核心