本次分享论文为：AI-powered patching: the future of automated vulnerability fixes
基本信息
原文作者：Jan Nowakowski, Jan Keller
作者单位：Google Security Engineering
关键词：AI, 安全性漏洞, 自动化修复, LLM, sanitizer bugs
原文链接：
https://storage.googleapis.com/gweb-research2023-media/pubtools/pdf/4fd3441fe40bb74e3f94f5203a17399af07b115c.pdf
开源代码：[暂无]
论文要点
论文简介：本文介绍了一种利用大语言模型（LLMs）自动修复软件中的安全漏洞的方法。通过建立一个自动化流程，从发现漏洞到生成修复代码，再到测试和人工审查，这一流程能够有效加速并提高软件修复的质量和速度。
研究背景：随着AI技术的快速发展，其在软件安全领域的应用也越来越广泛。尤其是在自动化发现和修复漏洞方面，AI技术展现出巨大的潜力。
研究贡献：
a. 提出了一个完整的AI驱动漏洞修复流程，包括漏洞发现、复现与隔离、生成修复代码、测试和人工审查等步骤。
b. 成功利用LLMs自动修复了15%的sanitizer漏洞，大大减少了工程师的工作量。
c. 展示了AI技术在提高软件安全性方面的巨大潜力，为未来的自动化安全防御提供了新的思路。
引言
当前，随着AI技术的不断进步，其在软件开发和安全领域的应用也日益增多。特别是在自动化发现和修复软件漏洞方面，AI提供了一种高效且可行的解决方案。Google的安全工程团队利用大语言模型（LLMs），如Gemini模型，建立了一个自动化的漏洞修复流程。这一流程不仅能自动发现和隔离漏洞，还能生成修复代码供人工审查，极大提高了修复效率和速度。
背景知识
自动化安全漏洞修复技术的研究背景包括了漏洞检测、隔离和修复的整个过程。其中，漏洞检测通常由sanitizers完成，这是一类能在代码运行时检测出各种安全漏洞的工具。随后，通过自动化流程隔离并复现这些漏洞，以便更准确地生成修复代码。最后，修复代码通过自动化测试和人工审查，以确保其正确性和有效性。
论文方法
理论背景：研究团队利用LLMs的语言生成能力，针对由sanitizers发现的内存安全漏洞，自动生成修复代码。这一过程依赖于LLMs强大的模式识别和代码生成能力。
方法实现：通过建立一个从漏洞发现到修复的完整自动化流程，包括漏洞发现、隔离与复现、利用LLMs生成修复代码、代码测试和人工审查等环节。在此过程中，研究团队使用了Gemini模型，并通过实验对比不同模型在漏洞修复中的效果。
实验
实验设置：实验通过自动化流程处理真实世界中的sanitizer漏洞，评估了LLMs在生成有效修复代码方面的能力。
实验结果：实验结果显示，Gemini模型能够自动修复15%的sanitizer漏洞，相比人工修复大大减少了工作量。此外，这一过程还发现不同模型在处理不同类型漏洞时的效率差异，为未来选择最适合的模型提供了参考。
论文结论
本研究展示了利用AI技术，特别是LLMs在自动化修复软件安全漏洞方面的巨大潜力。通过自动化的漏洞修复流程，不仅可以加快修复速度，还可以提高软件的安全性。未来，随着AI技术的进一步发展，自动化安全漏洞的修复将变得更加高效和普遍。
原作者：论文解读智能体
润色：Fancy
校对：小椰风
)
