Bridging Code Property Graphs and Language Models for Program Analysis

1. Il Problema: Limiti degli LLM nell'Analisi di Codice Reale

L'articolo identifica tre sfide critiche che impediscono ai Large Language Models (LLM) di analizzare efficacemente le vulnerabilità di sicurezza in grandi basi di codice reali:

• Limiti dei Token: I repository moderni contengono milioni di righe di codice. Caricare un intero progetto (es. 8.000 metodi) supera i limiti della finestra contestuale degli LLM, costringendo l'analisi a frammenti isolati e perdendo le vulnerabilità che attraversano più funzioni e file (inter-procedurali).
• Mancanza di Profondità Semantica: I sistemi di Retrieval-Augmented Generation (RAG) basati su embedding catturano pattern sintattici ma falliscono nel rappresentare relazioni semantiche complesse, come il flusso di dati tra funzioni o le dipendenze di controllo necessarie per rilevare vulnerabilità come gli overflow di buffer.
• Difficoltà nella Generazione di Query: Gli analisti di sicurezza utilizzano strumenti statici avanzati (come i Grafi delle Proprietà del Codice - CPG) tramite linguaggi di query complessi (es. CPGQL). Gli LLM faticano a generare query CPGQL corrette a causa della scarsità di tali linguaggi nei dati di addestramento, portando spesso a errori o "allucinazioni".

2. Metodologia: CodeBadger e l'Integrazione MCP

La soluzione proposta è codebadger, un server open-source basato sul Model Context Protocol (MCP) che funge da intermediario tra gli LLM e il motore di analisi statica Joern.

• Architettura: Invece di richiedere all'LLM di leggere tutto il codice o scrivere query CPGQL grezze, codebadger espone un set di strumenti di alto livello (tools) accessibili via HTTP.
• Flusso di Lavoro:
  1. L'agente LLM avvia una sessione CPG per un repository specifico.
  2. L'LLM invoca strumenti semantici (es. find_taint_sources, get_program_slice, find_bounds_checks).
  3. Il server codebadger traduce queste chiamate in query CPGQL ottimizzate, esegue l'analisi su Joern e restituisce all'LLM solo i frammenti di codice e i dati rilevanti (es. flussi di dati, dipendenze).
• Algoritmi Chiave:
  • Analisi del Flusso di Taint (Taint Tracking): Traccia il flusso di dati non attendibili dalle sorgenti (es. input utente) ai punti critici (sink), gestendo la complessità computazionale limitando i percorsi esplorati.
  • Program Slicing (Fette di Programma): Utilizza lo slicing all'indietro (backward slicing) per isolare solo le righe di codice rilevanti per una specifica vulnerabilità, riducendo il contesto fino al 90% e rimuovendo il rumore.
  • Navigazione Semantica: Permette all'LLM di esplorare il grafo delle chiamate e le dipendenze senza dover leggere file lineari.

3. Contributi Chiave

Il paper introduce un nuovo paradigma per l'analisi del codice assistita da AI:

1. Strumenti di Analisi Semantica: Trasforma operazioni complesse di analisi statica (tracciamento taint, slicing, verifica dei limiti) in funzioni semplici invocabili dagli LLM.
2. Efficienza Scalabile: Consente l'analisi di repository massicci (es. GGML con 8.000 metodi) consumando token solo per le parti di codice semanticamente rilevanti, evitando il caricamento completo.
3. Riduzione delle Allucinazioni: Fornendo all'LLM dati strutturati e verificati dal motore CPG, si riduce la necessità di generare query sintatticamente complesse, migliorando l'affidabilità delle conclusioni.

4. Risultati e Casi d'Uso

L'efficacia di codebadger è stata dimostrata attraverso tre casi d'uso reali utilizzando l'agente LLM "Claude Sonnet 4.5":

• Comprensione del Codice su Larga Scala (GGML):
  • L'agente ha analizzato un codicebase di 8.000 metodi e 198.000 chiamate.
  • Ha identificato pattern di insicurezza come l'uso di alloca senza limiti, overflow di interi nei calcoli delle dimensioni di allocazione e aritmetica di puntatori non verificata, senza leggere l'intero codice.
• Scoperta di Vulnerabilità Non Segnalate (libtiff):
  • L'agente ha scoperto un buffer overflow non segnalato nella funzione gtStripContig di libtiff.
  • Ha tracciato il flusso di dati da col_offset (non validato) fino all'aritmetica dei puntatori, generando un exploit funzionante (PoC) confermato da AddressSanitizer (ASAN).
  • Ha verificato che la vulnerabilità non era nota pubblicamente prima della correzione successiva nel repository.
• Correzione Automatica di Vulnerabilità (libxml2 - CVE-2025-6021):
  • L'agente ha analizzato una vulnerabilità di overflow di interi che causava un buffer overflow in xmlBuildQName.
  • Utilizzando lo slicing del programma e l'analisi delle dipendenze, ha generato una patch corretta al primo tentativo, che corrispondeva quasi perfettamente alla correzione ufficiale implementata dai maintainer del progetto.

5. Significato e Implicazioni

Il lavoro di Lekssays segna un passo avanti significativo nella gestione delle vulnerabilità software (SVM) basata sull'IA:

• Superamento dei Limiti Contestuali: Dimostra che è possibile analizzare interi repository senza violare i limiti dei token, spostando il carico computazionale dall'LLM al motore di analisi statica.
• Ragionamento Semantico: Passa dall'analisi basata su pattern sintattici a un ragionamento profondo sui flussi di dati e le dipendenze di controllo, essenziale per trovare bug complessi.
• Automazione Agente: Abilita flussi di lavoro "agentic" dove l'LLM agisce come un analista di sicurezza umano, navigando semanticamente nel codice, isolando problemi e proponendo fix.
• Disponibilità Open Source: Lo strumento è rilasciato open-source, promuovendo l'adozione di queste tecniche nella comunità di sicurezza e sviluppo.

In sintesi, codebadger colma il divario tra la potenza di ragionamento degli LLM e la precisione rigorosa degli strumenti di analisi statica, rendendo possibile l'automazione su larga scala di compiti di sicurezza precedentemente troppo complessi o costosi in termini di risorse.