💻 computer science

Detecting Vulnerability-Inducing Commits via Multi-Stage Reasoning with LLM-Based Agents

本文介绍了 VIC-RAGENT，这是一个基于大语言模型（LLM）的多智能体框架，该框架通过采用多阶段推理和专门的智能体，与现有方法相比，显著提高了漏洞诱发型提交的检测能力和可解释性。

原作者： Liyou Chen, Hailong Sun, Xiang Gao, Yue Pan

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Liyou Chen, Hailong Sun, Xiang Gao, Yue Pan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一个繁忙、庞大的建筑工地负责人，成千上万的工人（开发者）正在不断地为一座巨大的、不断增长的摩天大楼（软件）增加新房间、修复漏水或重新设计走廊。每当一名工人提交变更时，他们都会交给你一个“提交”（commit）——这是一个包含一份关于他们做了什么内容的说明以及变更蓝图的小型包裹。

你的职责是识别漏洞诱发型提交（Vulnerability-Inducing Commits, VICs）。这些是工人包裹中微小且往往隐形的错误，这些错误最终可能将一扇无害的新门变成骗子（黑客）的陷阱门。

问题在于，这些错误非常狡猾。一名工人可能会说：“我只是在修理一个吱吱作响的铰链，”但他们实际上却不小心拆除了一把锁。传统的安保人员（旧的软件工具）经常会错过这些微妙的陷阱，因为他们只看表面，或者试图通过快速的一瞥来猜测整个故事。

VIC-RAGENT 应运而生，这是该论文提出的一种新型安全团队。他们不再使用一个疲惫不堪、试图包揽一切的保安，而是使用一个由专业专家组成的团队，他们在严格的、循序渐进的过程中协同工作。

专家团队（多智能体系统）

你可以将 VIC-RAGENT 想象成一家高端侦探社，拥有四个特定的角色：

结构分析师（代码分析师）： 这位专家暂时忽略工人的便条，只严格观察蓝图。他们会问：“这面新墙是如何与建筑物的其余部分连接的？它是否阻塞了消防出口？”他们绘制出代码的物理结构图。
意图分析师（目标分析师）： 这位专家阅读工人的便条（提交信息），并将其与蓝图进行对比。他们会问：“工人说是在修理漏水，但实际上却移动了一面承重墙吗？”如果故事与实际工作不符，这就是一个红旗（警示信号）。
漏洞检查员（侦探）： 这是主要调查员。他们获取结构图和意图故事，开始搜寻特定类型的陷阱（如脆弱的锁、敞开的窗户或暴露的电线）。
文档专家： 如果检查员发现了一个真正的陷阱，这个人会撰写一份详细的报告，并将其存档到巨大的图书馆中供未来参考。

三阶段推理过程

该团队并不会在看到一个包裹后立即判定其为“安全”或“危险”，而是使用一个三阶段推理过程，随着步骤的推进变得越来越谨慎。

第一阶段：“宁可错杀，不可错过”的全面清查（初步检查）
检查员撒下一个非常广泛的网。他们观察代码并说：“嗯，这可能是个问题。”他们被允许表现得有些偏执。他们的目标是抓住所有可能是漏洞的东西，即使他们还没有 100% 确定。他们会生成一份“嫌疑人”名单。

类比： 这就像机场的金属探测器。它会对皮带扣甚至枪支都会发出鸣叫。它会产生很多虚假警报，但它确保你不会漏掉武器。

第二阶段：“查阅手册”的二次复核（重新分析）
现在，团队拿着那份冗长的嫌疑名单开始认真对待。他们再次检查每一个嫌疑对象，但这一次，他们会使用一本特定的规则手册（预测的漏洞类型）并检查他们的“往事犯罪记录库”（知识库）。

类比： 想象一下金属探测器响了。现在，一名安保人员拿出了手册：“如果它是皮带扣，通常是安全的。但如果它看起来像一把枪，请检查手柄。”他们还会查看过去的盗窃数据库，看看这个物品是否看起来像以前小偷使用的东西。这一步过滤掉了无害的鸣叫，并将注意力集中在真正的威胁上。

第三阶段：最终裁决（决策）
最后，团队做出正式判决。他们会以极度谨慎的态度对剩余的嫌疑对象进行复核。如果哪怕只有一段代码被证实是陷阱，整个包裹都会被标记为危险。

类比： 这是最后的安检关卡。如果官员仍不确定，他们可能会让此人通过（以避免阻碍无辜的人），但如果他们确定了，他们就会拦截包裹。这一阶段旨在非常严格，以避免虚假报警，确保当他们说“危险”时，他们真的意味着危险。

为什么这个团队能胜出

论文将这个团队与其他方法（例如试图包揽一切的单个保安，或者仅仅进行逐步思考的保安）进行了对比测试。

结果： VIC-RAGENT 团队发现的实际漏洞数量是之前最好方法的两倍。它们在捕捉那些被他人遗漏的隐蔽陷阱方面表现得更好。
权衡： 与单个保安相比，这个团队运行起来稍微慢一些，成本也稍高一些（因为他们需要互相交流并查阅图书馆）。然而，在安全领域，捕捉坏人比速度更重要。
图书馆： 因为他们会在每件确认的陷阱上撰写报告并将其添加到图书馆中，所以他们会随着时间的推移变得越来越聪明。如果出现了一种新的陷阱类型，他们可以查找类似的过往案例，从而帮助他们识别。

总结

VIC-RAGENT 就像是从一名单一的保安升级到了一个专门的、多阶段的侦探社。他们不只是猜测；他们将问题分解为理解结构、理解意图、撒网搜寻、对照历史记录，并最终做出严格的、经过验证的决策。这种方法帮助软件团队在漏洞被利用之前就捕捉到危险的 Bug，让数字世界变得更加安全。

技术摘要：通过基于 LLM 的智能体进行多阶段推理来检测漏洞诱发型提交

问题陈述

在提交时检测漏洞诱发型提交（Vulnerability-Inducing Commits, VICs），即即时漏洞检测（Just-In-Time Vulnerability Detection, JIT-VD），对于保障软件供应链安全至关重要。然而，这项任务极具挑战性，因为它需要对来自异构信息源（包括代码差异、提交消息以及周围的上下文代码）的代码变更进行语义影响的推理。

现有的方法——从基于特征的方法到深度学习模型（如神经网络、图模型和 Transformer）——往往难以充分捕捉复杂的提交语义和开发者意图。虽然近期的基于大语言模型（LLM）的方法和智能体框架（如 CodeAgent、ReAct）在代码理解方面展现出了潜力，但它们主要针对通用的漏洞检测或代码审查而设计。这些方法通常缺乏专门用于在不断演进的代码库中对 VIC 进行推理的机制。此外，迭代推理循环（如 ReAct）可能会导致误差累积，并缺乏明确的结果验证机制，从而限制了透明度和可靠性。

方法论：VIC-RAGENT

作者提出了 VIC-RAGENT，这是一个旨在实现高效且可解释的漏洞检测的基于 LLM 的多智能体框架。该系统采用结构化的多阶段推理流水线，将检测任务分解为角色专用的组件和渐进式的精炼阶段。

框架架构

该框架通过四个连续阶段运行，利用特定的智能体处理输入（提交消息、代码差异、文件级上下文）：

阶段 0：准备阶段 (Preparation)
- 代码分析师 (Code Analyst, CA)： 从代码差异和上下文中提取结构化信息（例如，简化的调用图、数据流模式），以理解修改后的代码如何与系统交互。
- 目标分析师 (Target Analyst, TA)： 通过分析提交消息并将其与修改的文件对齐来解读开发者的意图。它对变更进行分类（例如，错误修复、重构），并识别目标与实现之间可能指示风险的不一致之处。
阶段 1：初步检查 (初步生成候选集) (Preliminary Inspection)
- 漏洞检查员 (Vulnerability Inspector, VI)： 充当高召回率过滤器。在阶段 0 提供的结构和意图表示引导下，它针对六类漏洞（I/O 验证、内存安全、Web 安全、身份验证/授权、资源管理、文件/路径处理）扫描修改后的代码片段。
- 此阶段有意放宽验证约束，以生成一个“超集”形式的可行漏洞假设，优先考虑召回率，以确保微妙的风险不会被过早丢弃。
阶段 2：再分析 (类型引导的验证) (Reanalysis)
- 漏洞检查员 (VI)： 通过受限推理对阶段 1 中的候选集进行精炼。它根据预测的漏洞类型重新评估每个片段。
- 知识增强推理： 系统利用包含历史安全报告的漏洞知识库。通过检索增强生成（RAG），它检索类似的案例以提供基于案例的推理证据。如果没有相似案例，则依赖上下文信息。
阶段 3：最终决策 (验证 + 聚合) (Final Decision)
- 漏洞检查员 (VI)： 对精炼后的假设进行保守的、低温度（low-temperature）的验证。
- 聚合： 如果至少有一个片段被确认，则该提交被归类为存在漏洞。
- 文档专家 (Document Specialist, DS)： 如果提交被确认为存在漏洞，该智能体会生成一份结构化的安全报告，并存储在知识库中以备未来使用。
- 审计监督员 (Audit Supervisor, AS)： 监控智能体输出，以确保整个过程符合预定义的规范。

实现细节

LLMs： 使用 DeepSeek-V3.2、Qwen-Plus 和 GPT-4o-mini 进行评估。
温度设置： 根据阶段不同而变化，以平衡创造性与确定性（例如，初步检查阶段为 0.4 以鼓励候选生成，最终决策阶段为 0.1 以确保保守判断）。
知识库： 按漏洞类型组织，并使用向量索引（使用 CodeBERT 嵌入）进行基于相似性的检索。它包含一个维护机制，定期移除误报（FP）报告，以防止误差传播。

核心贡献

用于 JIT-VD 的多智能体框架： 引入了 VIC-RAGENT，它通过专门的智能体，通过整合结构化分析、意图理解和漏洞检查来分析潜在漏洞。
多阶段推理过程： 一个结构化的工作流（初步检查 $\rightarrow$ 再分析 $\rightarrow$ 最终决策），实现了从粗糙到精细的推理，提高了检测的可靠性。
知识增强推理： 设计了一个漏洞知识库，允许系统在再分析阶段通过检索增强推理来利用历史漏洞案例。
实证评估： 在真实世界数据集（V-SZZ）上进行了全面实验，展示了该框架在多种 LLM 上的性能。

实验结果

该框架在 V-SZZ 数据集（241 个提交：106 个 VICs，135 个 VFCs）上进行了评估，并与三个基线进行了比较：Direct（原生提示词）、Chain-of-Thought (CoT) 和 CodeAgent。

性能： VIC-RAGENT 在三种不同的 LLM 上始终优于所有基线。
- 与最强的基线（CodeAgent）相比，VIC-RAGENT 的 F1 分数提高了 1.2–1.7 倍。
- 它在召回率方面表现出显著提升，实现了比最强基线高出达 2 倍的召回率。例如，在使用 GPT-4o-mini 时，VIC-RAGENT 的召回率为 75%，而 CodeAgent 为 60%。
消融实验：
- 移除**阶段 2（再分析）**会导致召回率和 F1 分数下降，表明其在覆盖范围和消除可疑片段歧义方面的作用。
- 移除**阶段 3（最终决策）**会提高召回率，但会显著增加误报（FP），这表明阶段 3 是提高预测可信度的必要保守过滤器。
泛化能力： 在测试最近的 CVE（训练期间未见过的案例）时，VIC-RAGENT 保持了卓越的性能，在所有方法中取得了最高的召回率（55%）和 F1 分数（60%），表明其具有强大的泛化能力。
成本： 由于多阶段推理，VIC-RAGENT 的计算成本较高（每个提交约 0.0487 美元，而 Direct 为 0.0079 美元），但作者认为，对于优先考虑准确性而非延迟的离线或集成到 CI 中的安全审计，这是合理的。

重要性与主张

论文声称 VIC-RAGENT 为现代软件开发工作流中的 VIC 检测提供了一个稳健、可解释且实用的解决方案。其主要意义在于，通过引入一个显式分离推理目标的结构化、多阶段推理过程，解决了现有单次通过或通用型智能体方法的局限性。

作者强调，该框架通过结合探索（阶段 1 中的高召回率）与验证（阶段 3 中的保守过滤），以及知识增强推理的能力，使其能够检测到其他方法会遗漏的微妙漏洞。尽管承认存在诸如依赖 LLM 一致性和需要手动清理知识库中误报等局限性，但该研究表明，将漏洞检测任务分解为专门的角色和阶段可以显著提高检测性能和可靠性。