技術概要：EVOREPAIR

問題定義

大規模言語モデル（LLM）を用いた自動脆弱性修復（AVR）は有望であるが、スケーラビリティと効果性を阻害する 2 つの重大な限界に直面している：

1. 脆弱性内での経験蓄積の欠如: 既存の手法は、多くの場合、各修復試行をステートレスなプロセスとして扱っている。単一の脆弱性に対して複数の修復経路が探索された場合でも、中間的な成功、失敗、診断シグナルは、再利用可能な知識としてほとんど抽出されていない。その結果、LLM は非生産的な経路を繰り返し辿ったり、反復を通じて同様の過ちを犯したりする可能性がある。
2. 脆弱性間での経験再利用の欠如: 現在の AVR アプローチは、多くの場合、各脆弱性を孤立したタスクとして扱っている。検索拡張手法は存在するが、それらは通常、静的でインスタンス固有の参照パッチに依存しており、動的で汎用的な修復知識には依存していない。報告される脆弱性（CVE）の量が増加するにつれて、この 1 つずつの孤立した修復モデルは、スケーラビリティの面でますます困難になる。

核心的な課題は、AVR システムが、単一の脆弱性の修復プロセス内および異なる脆弱性間において、修復経験を継続的に蓄積、洗練、再利用できるようにすることである。

手法：EVOREPAIR

これらの課題に対処するため、著者らは AVR における最初の経験ベースの自己進化エージェントフレームワークであるEVOREPAIRを提案する。本システムは、4 つの主要コンポーネントからなる循環的な学習・修復パラダイムに基づいて動作する：

1. ドメイン固有の経験の定義

EVOREPAIR は、再利用性と転送性を確保するために「経験」の標準化されたスキーマを定義する。生のコマンドログとは異なり、経験エントリは 5 つの次元からなる構造化された抽象化である：

• 脆弱性の導入と分析: タイプ、場所、根本原因、影響に関する簡潔な記述。
• 修復戦略: 選択された修復アプローチとその正当性。
• 経路分析: 修復プロセスの要約。成功したアクション、失敗のパターン、主要なコマンド/ログを強調する。
• 経験の要約: 最小限の例を伴う、簡潔で処方的なルール（前提条件、目標、ガイダンス）。
• 振り返りと改善: 結果の評価、限界、および将来の戦略への提言。

2. 経験の検索とウォームアップ

各修復ターン前に、エージェントは経験バンクを照会する。

• 検索メカニズム: システムは、類似性（CVE/CWE マッチング）と品質（LLM-as-a-Judge による品質と汎用性の評価から導出されたスコア）を組み合わせた統合スコアに基づいて経験を検索する。
• ウォームアップ戦略: 「コールドスタート」問題（経験バンクが空の状態）に対処するため、EVOREPAIR は、標準パッチ戦略（過去の公式パッチを使用）または事前修復戦略（自己インスタンスの漏洩を避けるために、以前に開示された脆弱性から事前に生成された経験で初期化する）のいずれかを採用する。

3. 脆弱性修復（バニラエージェント）

中核となる修復エンジンは、汎用フレームワーク（Mini-SWE-Agent に着想を得た）に基づいた「バニラエージェント」である。

• コンテキスト注入: 検索された経験は、修復経路を誘導するためにエージェントのコンテキストに注入される。
• プロセス: エージェントは、最小限の Bash ツールキットを使用して Docker 環境と対話し、脆弱性を再現し、欠陥を特定し、パッチを生成し、それを検証する。
• 早期停止: コスト効率を確保するため、システムは修復パフォーマンスの限界利益とコストの限界増加との比率として定義されるターンレベルの収支率（$\alpha$）を計算する。$\alpha$が閾値を下回った場合、修復プロセスは早期に終了する。

4. 経験の構築と更新

修復試行後、システムは経路から新しい経験を構築する：

• 圧縮: 経路は、コンテキストウィンドウの肥大化を防ぐために構造化スキーマに圧縮される。
• スコアリング: LLM-as-a-Judge が、品質（実行可能性）と汎用性（転送可能性）に基づいて新しい経験にスコアを付与する。
• 更新: 経験バンクは、低品質のエントリを破棄し、高品質のエントリを保持するか、同じスコアを持つエントリを補完的な詳細を融合させて「磨き上げる」という戦略で更新される。

主要な貢献

1. 新たな研究次元: 本論文は、静的な検索だけでなく、修復知識の継続的な蓄積と再利用に焦点を当てた経験ベースの自己進化を AVR における新たな次元として導入する。
2. 新規フレームワーク（EVOREPAIR）: 構造化された学習・修復ループを通じて、脆弱性間での経験の再利用と脆弱性内での経験の蓄積の両方を可能にする循環フレームワーク。
3. 広範な評価: 複数のデータセット（PATCHEVAL, SEC-bench, VUL4J）およびモデル（GPT-5-mini, Qwen3.5-Plus, DeepSeek-v3.1, Devstral 変種）にわたる包括的な実験により、フレームワークの有効性と転送性が実証されている。

実験結果

著者らは、主要なバックボーンとして GPT-5-mini を使用し、12 の代表的なベースライン（学習ベース、LLM ベース、エージェントベースの手法を含む）に対して EVOREPAIR を評価した。

• 全体的なパフォーマンス: EVOREPAIR は全体的なパフォーマンスで最高を記録し、PATCHEVAL において93.47%、SEC-bench において**87.00%の脆弱性を修復し、全体率では90.46%**を達成した。
• ベースラインとの比較:
  • 最も強力な LLM ベースのベースラインであるLoopRepairを、PATCHEVAL で39.56%、SEC-bench で**33.50%**上回った。
  • IntentFixをそれぞれ**70.86%および50.50%**上回った。
  • 最近の自己進化エージェントであるLive-SWE-Agentを全体で**6.98%**上回った。
• 自己進化の影響: 15 の修復ターンにわたって、EVOREPAIR は一貫してバニラエージェントのパフォーマンスの天井を破り、より速い収束と高い効率を示した。例えば、GPT-5-mini を使用した PATCHEVAL では、修復数がバニラ（194）から EVOREPAIR（215）へと増加した。
• 転送性: PATCHEVAL（JavaScript/Python/Go）から抽出された経験を用いた VUL4J（Java）の実験は、顕著なパフォーマンス向上（Qwen3.5-Plus で +9.67% など）を示し、言語間およびデータセット間の転送性を確認した。
• コスト分析: 一部のモデルではプロンプトのオーバーヘッドが増加したが、より強力なモデルでは、より速い収束と冗長なターンの減少により、総コストはほぼ変化しなかったか、減少した（Qwen3.5-Plus では 41.58% のコスト削減）。

意義と主張

本論文は、EVOREPAIRが静的な検索や単純な反復プロンプトを超えて、エージェント型 AVR を実質的に強化すると主張している。その意義は、以下の点を示すことにある：

• 経験は重要なリソースである: 修復知識を蓄積し洗練させることで、エージェントは反復的な過ちを避け、異質な脆弱性間で一般化できる。
• 自己進化は効果的である: 循環的な学習・修復プロセスにより、エージェントは人間の介入なしに時間とともに自身の修復能力を向上させることができる。
• 汎用性: 抽出された経験は、異なるプログラミング言語、データセット、モデルバックボーン間で転送するのに十分な堅牢性があり、スケーラブルで大規模な脆弱性修復システムへの道筋を示唆している。

著者らは、経験ベースの自己進化が、修復知識のライフサイクルを明示的にモデル化することで既存の自己進化技術を超えており、増加するソフトウェアセキュリティ脆弱性に対処するための有望な方向性を提供すると結論付けている。