[Paper] 多智能体污点规范提取用于漏洞检测

Source: arXiv - 2601.10865v1

概览

本文介绍了 SemTaint，一个混合系统，将大语言模型（LLM）的语义推理与传统的静态分析相结合，自动为 JavaScript 包生成污点流规范。通过此方式，它克服了 JavaScript 静态应用安全测试（SAST）中长期存在的两大障碍——动态语言特性以及庞大且不断变化的 npm 生态系统——从而在大规模下实现更准确的漏洞检测。

关键贡献

• 多代理架构，将传统的静态分析器与大型语言模型（LLM）协同工作，以解决模糊的调用边并推断污点来源/汇。
• 自动提取每个包的污点规范（来源、汇、调用边以及库流摘要），无需手动编写规则。
• 与 CodeQL 集成，展示生成的规范提升了对真实漏洞的检测（在先前漏检的 162 个漏洞中检测出 106 个）。
• 发现四个新型安全缺陷，这些缺陷位于流行的 npm 库中，证明了该方法的实际安全价值。
• 实证评估，在大规模 npm 包语料库上进行，表明 LLM 增强的分析能够扩展到 JavaScript 生态系统的规模和动态性。

方法论

1. 静态调用图构建 – 传统的 JavaScript 静态分析器为目标包及其依赖构建保守的调用图。
2. LLM 驱动的边缘解析 – 对于因动态特性（例如 eval、动态属性访问、高阶函数）而未解析的调用点，使用经过提示工程设计的 LLM（如 GPT‑4）进行查询，依据代码上下文和文档预测最可能的目标函数。
3. 源/汇分类 – 同时让 LLM 为给定的 CWE（例如 XSS、SQLi）标记函数/对象为 源（攻击者可控制数据进入的地方）或 汇（危险操作发生的地方）。
4. 规范合成 – 将解析得到的边以及标记好的源/汇编译成 污点规范，描述数据在库中的流动方式。
5. SAST 执行 – 将该规范输入 CodeQL，随后在代码库上执行完整的污点分析，标记潜在漏洞。
6. 反馈循环 – 利用检测到的误报/漏报来优化提示，提升 LLM 在后续运行中的准确性。

结果与发现

• 检测提升： SemTaint 使 CodeQL 能够发现 106/162 已知漏洞，而仅使用 CodeQL 则会漏掉——提升了 65 %。
• 新漏洞： 系统在广泛使用的 npm 包中识别出 四个 先前未知的安全问题，均已负责任地披露并修复。
• 覆盖率： 在 500 个 npm 包的基准测试中，LLM 解决了约 78 % 先前模糊的调用边，大幅降低了调用图中“未知”部分的比例。
• 性能： 添加 LLM 步骤后，分析时间平均增加 1.8×，在使用普通云实例运行时仍在 CI/CD 流水线可接受的范围内。

实际意义

• 开发者工具: SemTaint 可以打包为现有 SAST 平台（例如 CodeQL、SonarQube）的插件，为团队提供即插即用的、更高质量的污点规范，而无需手工编写规则。
• CI/CD 集成: 适度的运行时开销使其能够在每个 Pull Request 上运行，适用于高风险的 JavaScript 项目，提前捕获漏洞。
• 供应链安全: 通过自动为第三方依赖生成规范，组织可以审计整个 npm 依赖树，而不是仅仅信任供应商提供的文档。
• 快速适配: 随着新库的出现，LLM 可以即时推断规范，使安全覆盖保持最新，而无需专门的规则编写工作。
• 跨语言潜力: 相同的多代理模式可以应用于其他动态生态系统（Python、Ruby），将影响力扩展到 JavaScript 之外。

限制与未来工作

• LLM 可靠性： 该方法依赖于 LLM 的正确性；偶尔的误分类可能导致误报或漏检真实的污点流。
• 提示工程开销： 为不同代码库编写有效提示仍是人工步骤，亟需自动化。
• 大规模 monorepo 的可扩展性： 对于常规 npm 包可行，但极大型代码库可能因大量 LLM 查询而导致更高延迟。
• LLM 本身的安全性： 使用云端模型会引发数据泄露担忧；未来工作可探索本地部署或蒸馏模型。
• 更广泛的评估： 将实验扩展到其他 SAST 工具、更多 CWE 类别以及非 JavaScript 语言，以验证通用性。

SemTaint 表明，将符号静态分析与现代 LLM 的语义直觉相结合不仅是研究好奇心——它是迈向更稳健、自动化安全的具体一步，适用于当今快速发展的 JavaScript 生态系统。

作者

• Jonah Ghebremichael
• Saastha Vasan
• Saad Ullah
• Greg Tystahl
• David Adei
• Christopher Kruegel
• Giovanni Vigna
• William Enck
• Alexandros Kapravelos

论文信息

• arXiv ID: 2601.10865v1
• 分类: cs.CR, cs.SE
• 出版日期: 2026年1月15日
• PDF: 下载 PDF