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：本文先容了一种利用大措辞模型（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，从创造漏洞到天生修复代码，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率。
研究背景：随着AI技能的快速发展，其在软件安全领域的运用也越来越广泛。尤其是在自动化创造和修复漏洞方面，AI技能展现出巨大的潜力。
研究贡献：
a. 提出了一个完全的AI驱动漏洞修复流程，包括漏洞创造、复现与隔离、天生修复代码、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事情量。
c. 展示了AI技能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供应了新的思路。
弁言
当前，随着AI技能的不断进步，其在软件开拓和安全领域的运用也日益增多。特殊是在自动化创造和修复软件漏洞方面，AI供应了一种高效且可行的办理方案。Google的安全工程团队利用大措辞模型（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创造和隔离漏洞，还能天生修复代码供人工审查，极大提高了修复效率和速率。
背景知识
自动化安全漏洞修复技能的研究背景包括了漏洞检测、隔离和修复的全体过程。个中，漏洞检测常日由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，以便更准确地天生修复代码。末了，修复代码通过自动化测试和人工审查，以确保其精确性和有效性。
论文方法
理论背景：研究团队利用LLMs的措辞天生能力，针对由sanitizers创造的内存安全漏洞，自动天生修复代码。这一过程依赖于LLMs强大的模式识别和代码天生能力。
方法实现：通过建立一个从漏洞创造到修复的完全自动化流程，包括漏洞创造、隔离与复现、利用LLMs天生修复代码、代码测试和人工审查等环节。在此过程中，研究团队利用了Gemini模型，并通过实验比拟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天下中的sanitizer漏洞，评估了LLMs在天生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，比较人工修复大大减少了事情量。此外，这一过程还创造不同模型在处理不同类型漏洞时的效率差异，为未来选择最适宜的模型供应了参考。
论文结论
本研究展示了利用AI技能，特殊是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率，还可以提高软件的安全性。未来，随着AI技能的进一步发展，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
校正：小椰风