論文の概要: QLCoder: A Query Synthesizer For Static Analysis of Security Vulnerabilities

• arxiv url: http://arxiv.org/abs/2511.08462v1
• Date: Wed, 12 Nov 2025 01:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.825855
• Title: QLCoder: A Query Synthesizer For Static Analysis of Security Vulnerabilities
• Title（参考訳）: QLCoder: セキュリティ脆弱性の静的解析のためのクエリシンセサイザー
• Abstract要約: QLCoderは、強力な静的分析エンジンであるCodeQLでクエリを自動的に合成するエージェントフレームワークである。 QLCodeは、独自のMPPインターフェースを使用して推論を制約しながら、実行フィードバック付きの合成ループにLLMを組み込む。 111のJavaプロジェクトにわたる176の既存のCVE上でQLCodeを評価します。
• 参考スコア（独自算出の注目度）: 18.588864089739598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Static analysis tools provide a powerful means to detect security vulnerabilities by specifying queries that encode vulnerable code patterns. However, writing such queries is challenging and requires diverse expertise in security and program analysis. To address this challenge, we present QLCoder - an agentic framework that automatically synthesizes queries in CodeQL, a powerful static analysis engine, directly from a given CVE metadata. QLCode embeds an LLM in a synthesis loop with execution feedback, while constraining its reasoning using a custom MCP interface that allows structured interaction with a Language Server Protocol (for syntax guidance) and a RAG database (for semantic retrieval of queries and documentation). This approach allows QLCoder to generate syntactically and semantically valid security queries. We evaluate QLCode on 176 existing CVEs across 111 Java projects. Building upon the Claude Code agent framework, QLCoder synthesizes correct queries that detect the CVE in the vulnerable but not in the patched versions for 53.4% of CVEs. In comparison, using only Claude Code synthesizes 10% correct queries.
• Abstract（参考訳）: 静的解析ツールは、脆弱性のあるコードパターンをエンコードするクエリを指定することで、セキュリティ上の脆弱性を検出する強力な手段を提供する。 しかし、このようなクエリを書くことは困難であり、セキュリティやプログラム分析に様々な専門知識を必要とする。 この課題に対処するため、所定のCVEメタデータから直接、強力な静的分析エンジンであるCodeQLでクエリを自動的に合成するエージェントフレームワークであるQLCoderを紹介します。 QLCodeは、LLMを合成ループに実行フィードバックを組み込むと同時に、Language Server Protocol(シンタックスガイダンスのための)とRAGデータベース(クエリとドキュメントのセマンティック検索のための)との構造化インタラクションを可能にするカスタムMPPインターフェースを使用して、推論を制約する。 このアプローチにより、QLCoderは構文的に、セマンティックに有効なセキュリティクエリを生成することができる。 111のJavaプロジェクトにわたる176の既存のCVE上でQLCodeを評価します。 Claude Codeエージェントフレームワークを基盤として、QLCoderは、53.4%のCVEに対して、パッチバージョンでは脆弱性はあるもののCVEを検出しない正しいクエリを合成する。 比較として、Claude Codeのみが10%正確なクエリを合成する。

関連論文リスト

• LLMSec-AV: A Vulnerability Taxonomy and LLM-Driven Software Weakness Discovery Framework for Autonomous Vehicles [6.341317643879287]
  明示的な自動車両(AV)セキュリティ知識を持つ大規模言語モデル(LLM)は、ルールベースのツールを超えた弱点検出を改善する。 我々は、脆弱な18のクラス、脆弱性記録、セキュリティアドバイザリ、AVセキュリティ文献を備えたAV脆弱性分類を開発し、LLMベースの自動車両セキュリティ分析(LLMSec-AV)に統合した。 LLMSec-AVは、脆弱性発見のためのAV脆弱性分類を導入し、LLMが実際のAVソフトウェアで安全関連発見を特定し、整理することで、従来のアナライザを補完できることを示した。
  論文  参考訳（メタデータ） (2026-09-08T19:39:25Z)
• ARQ: Agentic CodeQL Query Refinement for C/C++ Vulnerability Detection [21.303380348840392]
  合成したC/C++プログラムから実行基盤のエビデンスを用いて,C/C++のCodeQLクエリを自動的に洗練するフレームワークであるARQを提案する。 従来のクエリ精錬方法とは異なり、ARQはラベル付きデータセット、コミット履歴、脆弱性固有のテンプレートを必要としない。 我々は、ARQを精錬したクエリにより、最大119.8%の正の精度で、少なくとも98.0%の精度で、より正確な正の値を検出することを示した。
  論文  参考訳（メタデータ） (2026-08-21T00:20:55Z)
• SecureForge: Finding and Preventing Vulnerabilities in LLM-Generated Code via Prompt Optimization [61.91729298584227]
  SecureForgeは、フロンティアモデルのセキュリティリスクを監査し、監査インフォームされたセキュアなシステムプロンプトを生成する自動化パイプラインである。 SecureForgeは、まず静的に検出可能な脆弱性を生成する良性プロンプトを特定し、その後、さまざまなシナリオの大規模な合成プロンプトコーパスに増幅する。 フロンティアモデルでは、SecureForgeは、ユニットテストの成功と出力セキュリティの両方において統計的に有意な改善をもたらし、出力脆弱性は最大48%削減された。
  論文  参考訳（メタデータ） (2026-05-08T18:40:47Z)
• Guiding Symbolic Execution with Static Analysis and LLMs for Vulnerability Discovery [3.462916206368371]
  シンボル実行は、正確さで脆弱性を検出するが、それを大規模に適用するには、シンボル状態の設定、モデルの依存関係、アサーションの指定を必要とする。 本稿では,静的解析とLLMに基づく合成を組み合わせることで,シンボル実行ハーネス構築を自動化するSAILOR(Static Analysis Informed and LLM-Orchestrated Symbolic Execution)を提案する。 SAILORは3つのフェーズで動作している: 1) 静的解析は、候補となる脆弱な場所を特定し、脆弱性仕様を生成する (2) LLMは、脆弱性仕様を使用し、ドライバ、スタブ、コンパイラーに対するアサーションとシンボリック実行フィードバックを反復的に精製することで、合成をオーケストレーションする。
  論文  参考訳（メタデータ） (2026-04-07T22:35:52Z)
• Bridging Code Property Graphs and Language Models for Program Analysis [1.7158296436650338]
  大規模言語モデル(LLM)は、現実世界のセキュリティ脆弱性を分析する上で、重大な課題に直面します。 トークン制限はレポジトリ全体をロードすることを防ぎ、コード埋め込みはプロシージャ間データフローのキャプチャに失敗し、LLMは複雑な静的解析クエリを生成するのに苦労する。 我々は,Joern の Code Property Graph エンジンと LLM を統合した,オープンソースの Model Context Protocol (MCP) サーバである codebadger を紹介する。
  論文  参考訳（メタデータ） (2026-03-25T22:08:04Z)
• CLARC: C/C++ Benchmark for Robust Code Search [2.225731679677886]
  現実のGitHubリポジトリから構築されたC/C++ベンチマークであるCLARCを紹介します。 Clarcには、評価用の1,245のクエリコードペアと、トレーニング用の5,472のペアが含まれている。
  論文  参考訳（メタデータ） (2026-03-04T18:57:37Z)
• QRS: A Rule-Synthesizing Neuro-Symbolic Triad for Autonomous Vulnerability Discovery [3.52359746858894]
  我々はQRS(Query, Review, Sanitize)という,このパラダイムを逆転するニューロシンボリックなフレームワークを紹介します。 静的ルールから結果をフィルタリングする代わりに、QRSは構造化スキーマ定義といくつかの例からCodeQLクエリを生成する3つの自律エージェントを使用して、セマンティック推論と自動エクスプロイト合成を通じて検証する。 人気のPyPIライブラリの20の歴史的CVEでは、QRS 90.6%の精度が検出された。
  論文  参考訳（メタデータ） (2026-02-10T13:35:24Z)
• RealSec-bench: A Benchmark for Evaluating Secure Code Generation in Real-World Repositories [58.32028251925354]
  LLM(Large Language Models)は、コード生成において顕著な能力を示しているが、セキュアなコードを生成する能力は依然として重要で、未調査の領域である。 我々はRealSec-benchを紹介します。RealSec-benchは、現実世界の高リスクなJavaリポジトリから慎重に構築されたセキュアなコード生成のための新しいベンチマークです。
  論文  参考訳（メタデータ） (2026-01-30T08:29:01Z)
• HardSecBench: Benchmarking the Security Awareness of LLMs for Hardware Code Generation [24.138048137437078]
  大規模言語モデル(LLM)は、コード生成のための実用的なハードウェアとファームウェア開発パイプラインに統合されつつある。 この研究ギャップは、現実的な仕様の下でセキュリティ意識を評価するためのベンチマークを設計する動機となります。 我々は、Verilog Registers Transfer Level (RTL)とファームウェアレベルCにまたがる924のタスクからなるベンチマークであるHardSecBenchを紹介し、76のハードウェア関連Common Weaknession (CWE)エントリをカバーしている。
  論文  参考訳（メタデータ） (2026-01-20T11:27:40Z)
• Multi-Agent Taint Specification Extraction for Vulnerability Detection [49.27772068704498]
  コンテナ分析を使用した静的アプリケーションセキュリティテスト(SAST)ツールは、高品質な脆弱性検出結果を提供するものとして広く見なされている。 本稿では,Large Language Models (LLM) のセマンティック理解と従来の静的プログラム解析を戦略的に組み合わせたマルチエージェントシステムであるSemTaintを提案する。 私たちは、SemTaintを最先端のSASTツールであるCodeQLと統合し、これまでCodeQLで検出できなかった162の脆弱性の106を検出して、その効果を実証しています。
  論文  参考訳（メタデータ） (2026-01-15T21:31:51Z)
• Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol [83.83217247686402]
  大言語モデル(LLM)は、単純なテキストジェネレータから、検索強化、ツール呼び出し、マルチターンインタラクションを統合する複雑なソフトウェアシステムへと進化してきた。 その固有の非決定主義、ダイナミズム、文脈依存は品質保証に根本的な課題をもたらす。 本稿では,LLMアプリケーションを3層アーキテクチャに分解する: textbftextitSystem Shell Layer, textbftextitPrompt Orchestration Layer, textbftextitLLM Inference Core。
  論文  参考訳（メタデータ） (2025-08-28T13:00:28Z)
• Assessing the Quality and Security of AI-Generated Code: A Quantitative Analysis [0.0]
  本研究では,Claude Sonnet 4, Claude 3.7 Sonnet, GPT-4o, Llama 3.2 90B, OpenCoder 8Bの5大言語モデル(LLM)のコード品質とセキュリティを定量的に評価する。 LLMは機能的なコードを生成することができるが、バグやセキュリティ上の脆弱性、コードの臭いなど、さまざまなソフトウェア欠陥も導入している。
  論文  参考訳（メタデータ） (2025-08-20T14:16:21Z)
• Decompiling Smart Contracts with a Large Language Model [51.49197239479266]
  Etherscanの78,047,845のスマートコントラクトがデプロイされているにも関わらず(2025年5月26日現在)、わずか767,520 (1%)がオープンソースである。 この不透明さは、オンチェーンスマートコントラクトバイトコードの自動意味解析を必要とする。 バイトコードを可読でセマンティックに忠実なSolidityコードに変換する,先駆的な逆コンパイルパイプラインを導入する。
  論文  参考訳（メタデータ） (2025-06-24T13:42:59Z)
• CLOVER: A Test Case Generation Benchmark with Coverage, Long-Context, and Verification [71.34070740261072]
  本稿では,テストケースの生成と完成におけるモデルの能力を評価するためのベンチマークCLOVERを提案する。 ベンチマークはタスク間でのコード実行のためにコンテナ化されています。
  論文  参考訳（メタデータ） (2025-02-12T21:42:56Z)
• Syzygy: Dual Code-Test C to (safe) Rust Translation using LLMs and Dynamic Analysis [8.361424157571468]
  Syzygyは、C言語を安全なRustに変換する自動化アプローチである。 これは、Rustのコード翻訳を安全にする上で、これまでで最大の自動化およびテスト検証済みのCである。
  論文  参考訳（メタデータ） (2024-12-18T18:55:46Z)
• SeCodePLT: A Unified Platform for Evaluating the Security of Code GenAI [58.29510889419971]
  コード生成大型言語モデル(LLM)のセキュリティリスクと能力を評価するための既存のベンチマークは、いくつかの重要な制限に直面している。 手動で検証し、高品質なシード例から始める、汎用的でスケーラブルなベンチマーク構築フレームワークを導入し、ターゲット突然変異を通じて拡張する。 このフレームワークをPython、C/C++、Javaに適用すると、44のCWEベースのリスクカテゴリと3つのセキュリティ機能にまたがる5.9k以上のサンプルデータセットであるSeCodePLTが構築されます。
  論文  参考訳（メタデータ） (2024-10-14T21:17:22Z)
• HexaCoder: Secure Code Generation via Oracle-Guided Synthetic Training Data [60.75578581719921]
  大規模言語モデル(LLM)は、自動コード生成に大きな可能性を示している。 最近の研究は、多くのLLM生成コードが深刻なセキュリティ脆弱性を含んでいることを強調している。 我々は,LLMがセキュアなコードを生成する能力を高めるための新しいアプローチであるHexaCoderを紹介する。
  論文  参考訳（メタデータ） (2024-09-10T12:01:43Z)
• IRIS: LLM-Assisted Static Analysis for Detecting Security Vulnerabilities [14.188864624736938]
  大規模な言語モデル(LLM)は印象的なコード生成機能を示しているが、そのような脆弱性を検出するためにコードに対して複雑な推論を行うことはできない。 我々は,LLMと静的解析を体系的に組み合わせ,セキュリティ脆弱性検出のための全体リポジトリ推論を行うニューロシンボリックアプローチであるIRISを提案する。
  論文  参考訳（メタデータ） (2024-05-27T14:53:35Z)
• Python Code Generation by Asking Clarification Questions [57.63906360576212]
  本稿では,この課題に対して,より斬新で現実的なセットアップを導入する。 我々は、自然言語記述の過小評価は、明確化を問うことで解決できると仮定する。 我々は、生成した合成明確化質問と回答を含む自然言語記述とコードのペアを含む、CodeClarQAという新しいデータセットを収集し、導入する。
  論文  参考訳（メタデータ） (2022-12-19T22:08:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。