AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing

1. Il Problema: Ragionamento Non Fondato (Un-grounded Reasoning)

Il paper identifica una limitazione fondamentale negli attuali approcci di rilevamento delle vulnerabilità basati su Large Language Models (LLM), sia che utilizzino agenti multipli (debate) sia che si basino su Retrieval-Augmented Generation (RAG).

• Spazio deliberativo non fondato: Gli agenti attuali operano in uno spazio di ragionamento privo di una base di prove vincolata e specifica per l'ipotesi.
• Allucinazioni contestuali: Senza un accesso a un contesto di repository completo e tracciato, gli agenti tendono a:
  • Inventare dipendenze tra funzioni (cross-function dependencies) che non esistono.
  • Fornire conoscenze generiche slegate dalla topologia del flusso di dati reale del repository.
  • Basare le conclusioni sulla persuasività retorica piuttosto che su fatti verificabili.
• Fallimento delle attuali strategie:
  • I metodi basati su debate (es. VulTrial) spesso degenerano in concessioni reciproche senza introdurre nuove prove, peggiorando le prestazioni all'aumentare dei round di discussione.
  • I metodi basati su retrieval usano euristiche predefinite che spesso mancano delle catene di propagazione profonde o cross-file necessarie per confermare l'exploitabilità.
• Conseguenza: Tassi di falsi positivi elevati (fino all'80% in alcuni casi) e incapacità di distinguere una vulnerabilità reale dal suo patch semantico simile.

2. Metodologia: Il Framework Aegis

Aegis introduce un nuovo paradigma multi-agente che sposta il rilevamento da una "speculazione non fondata" a una "verifica forense" su un substrato fattuale chiuso. La filosofia guida è "Dall'Indizio alla Sentenza" (From Clue to Verdict).

Il framework è composto da quattro agenti specializzati in una pipeline sequenziale:

Fase I: Scoperta dell'Indizio (Clue Discovery)

• Agente: Clue-Discovery Agent.
• Funzione: Scansiona la funzione target in isolamento sotto l'assunzione del "peggior caso" (Worst-Case Taint Assumption). Tratta tutte le fonti di dati non locali come non attendibili.
• Output: Identifica anomalie sospette (indizi) e le classifica con un punteggio di confidenza. Non cerca di decidere la vulnerabilità qui, ma di garantire un'alta recall (copertura) per non perdere potenziali punti di attacco.

Fase II: Arricchimento del Contesto Guidato dal Grafico (Graph-Guided Context Augmentation)

• Agente: Context-Augmentation Agent.
• Innovazione Chiave: Utilizza un Code Property Graph (CPG) a livello di repository.
• Meccanismo: Per ogni indizio identificato, esegue uno slicing (taglio) del grafico "on-demand".
  • Ricostruisce dinamicamente la catena di dipendenze specifica per quell'indizio (es. percorsi di propagazione del "taint").
  • Distingue tra chiamate interne (estese direttamente) ed esterne (valutate da LLM per decidere se espandere).
  • Crea un substrato fattuale chiuso: una traccia di evidenze per variabile che definisce un confine verificabile per tutto il ragionamento successivo. Questo elimina l'ambiguità del contesto.

Fase III: Verifica Dialettica (Dialectical Verification)

• Agente: Verifier Agent.
• Funzione: Costruisce argomenti dialettici contrapposti (Rosso vs Blu) basati esclusivamente sulla traccia di evidenze costruita nella Fase II.
  • Team Rosso (Attacco): Costruisce la catena di exploitabilità citando righe specifiche della traccia.
  • Team Blu (Difesa): Identifica mitigazioni visibili nella traccia.
• Vincolo: Ogni affermazione deve essere ancorata a linee di codice specifiche nella traccia. Se una misura di sicurezza non è nella traccia, si assume che non esista su quel percorso.
• Output: Una sentenza preliminare con un punteggio di confidenza.

Fase IV: Meta-Auditing

• Agente: Audit Agent.
• Funzione: Esegue una revisione indipendente e imparziale del ragionamento del Verifier.
• Potere di Veto: Controlla la correttezza logica di ogni affermazione. Se rileva errori specifici (es. "Mitigazione Fantasma", "Speculazione", "Ancoraggio", "Eccessiva Fiducia"), può esercitare il veto e ribaltare la sentenza.
• Obiettivo: Catturare i bias di conferma residui e garantire che la sentenza finale sia basata solo su prove verificabili.

3. Contributi Chiave

1. Nuovo Paradigma di Framework: Aegis è il primo approccio a separare esplicitamente la localizzazione della vulnerabilità dalla verifica del ragionamento su un substrato fattuale chiuso, mitigando le allucinazioni contestuali.
2. Arricchimento del Contesto Dinamico e Guidato dal Grafico: Meccanismo "ancorato all'indizio" e "guidato dalla domanda" che ricostruisce catene di dipendenze cross-file dinamicamente tramite CPG, senza bisogno di training specifico per il task o query generation appresa.
3. Prestazioni State-of-the-Art (SOTA): Aegis stabilisce un nuovo record sul benchmark PrimeVul, il più rigoroso per il rilevamento di vulnerabilità a livello di funzione.
4. Analisi dei Costi e della Qualità del Ragionamento: Fornisce la prima analisi sistematica del sovraccarico computazionale per agente e dimostra come la qualità delle prove (evidenza) sia il fattore determinante per la qualità del ragionamento, più della complessità del protocollo di ragionamento stesso.

4. Risultati Sperimentali

Il framework è stato valutato sul dataset PrimeVul (435 coppie vulnerabilità-patch).

• Prestazioni di Rilevamento (Pair-wise Correct Predictions - P-C):
  • Aegis ha raggiunto 122 previsioni corrette su 435 coppie, diventando il primo approccio a superare la soglia di 100 su questo benchmark.
  • Ha superato il miglior baseline (VulTrial addestrato su GPT-4o) che ha ottenuto 96 previsioni corrette.
• Riduzione dei Falsi Positivi (FPR):
  • Aegis riduce il tasso di falsi positivi fino al 54,40% rispetto ai baseline principali (es. 36,78% contro 80,67% di VulInstruct).
• Efficienza e Costi:
  • Opera in modalità training-free (senza fine-tuning specifico).
  • Costo medio per campione: $0,09.
  • Configurazione ottimale: Analizzare i primi k=2 indizi offre il miglior compromesso tra precisione e costo, evitando il rumore introdotto da indizi a bassa confidenza.
• Ablation Study:
  • La rimozione della struttura dialettica o del meta-auditing degrada drasticamente le prestazioni, confermando che entrambi i componenti sono essenziali per bilanciare recall e precisione.
  • L'arricchimento del contesto guidato dal grafico (Fase II) è il componente più critico, aumentando la recall di localizzazione da ~16% (solo Fase I) a oltre 70%.

5. Significato e Implicazioni

Il paper dimostra che il collo di bottiglia nel rilevamento delle vulnerabilità con LLM non è la capacità di ragionamento del modello o la sofisticazione del protocollo di dibattito, ma la qualità e il vincolo delle prove (evidence grounding).

• Principio di Design Generale: Per qualsiasi sistema multi-agente che deve prendere decisioni fattuali su artefatti strutturati, il "tetto" della qualità del ragionamento è fissato dalla qualità del substrato di prove, non dalla complessità del protocollo di ragionamento.
• Validazione Empirica: Aegis conferma che fornire agli agenti una traccia di evidenze chiusa e verificabile (derivata dalla topologia del flusso di dati del repository) permette anche a protocolli di ragionamento relativamente semplici di superare approcci complessi basati su dibattiti non vincolati.
• Impatto Pratico: Il sistema offre un'alternativa praticabile e a basso costo per l'analisi di sicurezza, riducendo significativamente l'affaticamento degli sviluppatori causato dai falsi positivi, un problema critico negli strumenti SAST tradizionali e negli approcci basati su LLM attuali.

In sintesi, Aegis trasforma il rilevamento delle vulnerabilità da un esercizio di "indovinare il contesto" a un processo forense rigoroso, dove ogni conclusione deve essere tracciabile fino a una prova specifica nel codice sorgente.