Resumo Técnico: KEAREPAIR

Definição do Problema

Embora os modelos de fundação de fronteira tenham acelerado a descoberta de vulnerabilidades e reduzido custos, o lado da remediação tem dificuldade em acompanhar o ritmo. As abordagens atuais de Reparação Automatizada de Vulnerabilidades (AVR), particularmente aquelas baseadas em Grandes Modelos de Linguagem (LLMs), enfrentam duas limitações fundamentais:

1. Análise de Causa Raiz Não Confiável: Os métodos atuais dependem frequentemente de raciocínio estático de LLMs ou ferramentas de localização dinâmica para identificar as causas das vulnerabilidades. No entanto, os LLMs sofrem de alucinações ao raciocinar sem fatos verificados, e as ferramentas de localização frequentemente falham em apontar locais exatos de correção, especialmente quando a causa raiz e o local da correção estão espacialmente distantes. Além disso, a dependência de relatórios de sanitização limita a generalização para problemas de segurança de memória.
2. Utilização Insuficiente de Conhecimento de Vulnerabilidade: Embora a Geração Aumentada de Recuperação (RAG) seja usada para fornecer exemplos históricos, as estratégias de recuperação ingênuas focam em similaridade de código de superfície. Isso frequentemente recupera exemplos com causas raízes semelhantes, mas padrões de reparação divergentes, induzindo o LLM ao erro. Os métodos existentes que tentam combinar causas raízes sofrem com problemas de precisão e altos custos computacionais.

Metodologia: KEAREPAIR

Os autores propõem o KEAREPAIR, uma nova abordagem de AVR Agêntica com Reforço de Conhecimento. O sistema opera através de três fases estreitamente acopladas:

1. Construção da Base de Conhecimento de Vulnerabilidade

Inspirado na forma como os desenvolvedores compreendem vulnerabilidades via fluxo de controle e fluxo de dados, o KEAREPAIR constrói uma base de conhecimento de visão dupla a partir de pares histórico de vulnerabilidade-correção.

• Extração de Conhecimento: Usando LLMs, o sistema extrai cinco itens de conhecimento específicos de duas visões (Fluxo de Dados e Fluxo de Controle): Causa Raiz, Comportamentos Vulneráveis (APIs Sensíveis, Fluxo de Taint, Desvio de Controle) e Estratégias de Correção.
• Abstração de Conhecimento: Elementos de código concretos (nomes de variáveis, invocações de métodos) são abstraídos para criar conhecimento generalizável menos vinculado a implementações específicas.
• Armazenamento: O conhecimento é armazenado em bancos de dados vetoriais (usando all-MiniLM-L6-v2 para embedding e Faiss para busca) para permitir a recuperação eficiente.

2. Diagnóstico de Vulnerabilidade Agêntico Baseado em Fatos

Em vez de depender apenas de raciocínio puro de LLM ou ferramentas de localização externas, o KEAREPAIR emprega um agente de diagnóstico aumentado por ferramentas seguindo o paradigma ReAct.

• Ferramentas Especializadas: O agente utiliza três ferramentas de análise estática:
  • trace_data_flow: Rastreia caminhos de propagação de taint para verificar influências de valores inseguros.
  • is_path_reachable: Verifica caminhos de fluxo de controle e predicados de desvio para determinar se operações suspeitas são executáveis.
  • inspect_API_usage: Analisa contextos de uso sintático de APIs sensíveis.
• Saída: O agente explora iterativamente a base de código para coletar fatos de programa verificados, que são organizados em um relatório de diagnóstico estruturado. Isso minimiza as alucinações do LLM ao fundamentar o diagnóstico em evidências concretas.

3. Geração de Patch com Recuperação de Nível de Conhecimento

Com base no relatório de diagnóstico, o sistema gera patches através de um processo de cascata de recuperação e refinamento.

• Geração de Consulta Específica de Visão: O sistema gera consultas semânticas baseadas na causa raiz verificada (em vez de código bruto) para encontrar pontos comuns de alto nível.
• Recuperação de Conhecimento em Cascata:
  1. Recuperação Inicial: Os 10 principais candidatos são recuperados das bases de conhecimento de visão dupla.
  2. Reclassificação Híbrida: Um reclassificador híbrido combina Similaridade de Código (usando embeddings pré-treinados do CodeLlama) e Similaridade de Comportamento (usando BM25 em relatórios de diagnóstico estruturados) para selecionar os exemplares mais relevantes.
• Aplicação de Patch e Validação: O agente de reparação sintetiza um patch usando aprendizado em contexto (in-context learning) a partir dos exemplares e conhecimentos recuperados. O patch passa por um processo de validação de ciclo fechado: ele é compilado, e o Proof-of-Concept (PoC) e as suítes de teste que o dispararam são reexecutados. Se a validação falhar, o feedback é retornado ao agente para refinamento iterativo.

Principais Contribuições

1. Identificação de Desafios: O artigo identifica e aborda a falta de confiabilidade da análise de causa raiz e a utilização insuficiente de conhecimento profundo de vulnerabilidade nos atuais AVRs baseados em LLM.
2. Abordagem Inovadora: O KEAREPAIR introduz um framework que fundamenta a geração de patches em fatos de programa verificados (via ferramentas de análise estática) e conhecimento de vulnerabilidade multidimensional (via recuperação de visão dupla), mitigando efetivamente alucinações e melhorando a qualidade das demonstrações.
3. Avaliação Abrangente: A abordagem é avaliada em 55 vulnerabilidades C/C++ reproduzíveis e 173 vulnerabilidades multilíngues, demonstrando desempenho superior através de vários backbones de LLM e tipos de vulnerabilidade.

Resultados Experimentais

• Desempenho em C/C++: Quando pareado com o Gemini-3.1-Pro, o KEAREPAIR reparou com sucesso 46 de 55 vulnerabilidades (83,64%). Isso supera significativamente o baseline de estado da arte PatchAgent (39/55), corrigindo nove vulnerabilidades únicas que o PatchAgent não conseguiu abordar.
• Custo e Eficiência: A configuração ideal (Gemini-3.1-Pro) atinge uma taxa de reparo de 83,64% com um custo médio de $0,30 por vulnerabilidade e um overhead de tempo inferior a 50 segundos.
• Generalização entre Linguagens: No benchmark PATCHEVAL (Go, JavaScript, Python), o KEAREPAIR alcançou uma taxa de sucesso de 85,55% (148/173) quando pareado com Qwen3.5-Plus, demonstrando forte generalização além de C/C++.
• Estudos de Ablação: Remover o mecanismo de iteração baseado em feedback causou a maior queda de desempenho (de 46 para 26 reparos), destacando o papel crítico do refinamento iterativo. Da mesma forma, remover o pipeline de recuperação de visão dupla degradou significativamente o desempenho, confirmando a necessidade de conhecimento multidimensional.

Significância e Alegações

O artigo afirma que o KEAREPAIR representa um avanço significativo na reparação automatizada de vulnerabilidades ao mudar de "raciocínio puramente estático" para "raciocínio agêntico baseado em fatos". Os autores argumentam que:

• Confiabilidade: Fundamentar o diagnóstico em fatos de programa verificados via ferramentas especializadas é essencial para superar as alucinações de LLM em bases de código complexas.
• Qualidade do Conhecimento: A recuperação de conhecimento de alto nível e visão dupla (fluxo de controle e dados) é superior à similaridade de código de superfície para guiar a geração de patches.
• Praticidade: O sistema alcança uma forte relação custo-benefício, tornando-o viável para implantação no mundo real, onde a resposta rápida a vulnerabilidades é crítica.

Os autores reconhecem limitações, incluindo desafios com macros complexas na análise estática e a dificuldade de lidar com vulnerabilidades inter-procedimentais que exigem mudanças entre múltiplos arquivos, observando que sua base de conhecimento atual é de nível de função. Eles também mencionam a potencial ameaça de vazamento de dados no treinamento de LLMs, mas enfatizam que estudos controlados confirmam que as melhorias se devem ao design do sistema.