LLM4SAST 结合大语言模型与动态分析发现六个 SAST 工具中的 66 个唯一故障

该论文提出 LLM4SAST 框架，利用大语言模型理解并转换多编程语言代码，通过动态反馈机制检测静态应用安全测试（SAST）工具自身的缺陷。研究在六个 SAST 工具中识别出 66 个唯一故障，其中 32 个在报告给开发者后得到确认或修复。

核心证据显示，该方法提出的启发式策略消除了 47.8% 的误报，相比现有方法在仅需生成 39.8% 变体的情况下，检测到的故障数量多出 3.4 倍。其技术路径依赖于设计新颖的变换关系以引导变体生成，并利用基于程序差异分析的聚类来识别独特故障，而非单纯依赖传统的程序转换多样性。

事实层面，该框架已验证了 LLM 在代码转换和 SAST 工具自身测试中的有效性；推断层面，这表明未来 SAST 工具的可靠性验证将更多依赖 AI 驱动的动态反馈闭环；猜测层面，若此类自动化测试成为行业标准，可能会显著改变 SAST 厂商的产品发布流程和质量保证成本结构。