論文の概要: Combining LLM and Dynamic Analysis for Universal Testing of Static Application Security Testing Tools

• arxiv url: http://arxiv.org/abs/2610.21309v2
• Date: Sat, 17 Oct 2026 07:56:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 21:22:33.495105
• Title: Combining LLM and Dynamic Analysis for Universal Testing of Static Application Security Testing Tools
• Title（参考訳）: LLMと動的解析を組み合わせた静的アプリケーションセキュリティテストツールのユニバーサルテスト
• Abstract要約: 静的アプリケーションセキュリティテスト(SAST)ツールは潜在的なソフトウェア脆弱性を検出するのに役立ちますが、信頼性とユーザビリティを損なう障害も含んでいます。 LLM4SASTは,大規模言語モデルと動的フィードバックを用いて,SASTツールの欠陥を検出する最初の普遍的なフレームワークである。
• 参考スコア（独自算出の注目度）: 8.750715285424647
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Static application security testing (SAST) tools help detect potential software vulnerabilities, but they themselves contain faults undermining reliability and usability. Automated testing can address these issues, yet current techniques suffer from limited program transformation diversity and lack mechanisms to verify generated variants, leading to reduced fault detection and high manual effort. We present LLM4SAST, the first universal framework detecting faults in SAST tools using large language models and dynamic feedback. Our key insight is leveraging LLMs to understand and transform code in diverse programming languages. We design novel metamorphic relations with transformations to guide variant generation, using an LLM to produce multi-language variants that satisfy these relations. To reduce erroneous variants and identify unique faults, we propose two heuristics: dynamic-feedback-driven selection and program-differencing-based clustering. For each metamorphic relation, a report-centric test oracle detects variants that fail tests and identifies underlying faults by differentially analyzing SAST reports of the seed program and its variants. LLM4SAST identified 66 unique faults across six SAST tools, with 32 confirmed or fixed after being reported to developers, demonstrating effectiveness. The proposed heuristics eliminate 47.8% of false positives, and LLM4SAST detects 3.4 times more faults while requiring only 39.8% of the variants compared to existing approaches.
• Abstract（参考訳）: 静的アプリケーションセキュリティテスト(SAST)ツールは潜在的なソフトウェア脆弱性を検出するのに役立ちますが、信頼性とユーザビリティを損なう障害も含んでいます。 自動テストはこれらの問題に対処できるが、現在のテクニックはプログラム変換の多様性の制限と、生成された変種を検証するメカニズムの欠如に悩まされ、障害検出の削減と手作業の強化につながる。 LLM4SASTは,大規模な言語モデルと動的フィードバックを用いて,SASTツールの欠陥を検出する最初の普遍的なフレームワークである。 私たちの重要な洞察は、多様なプログラミング言語のコードを理解し、変換するためにLLMを活用することです。 これらの関係を満たす多言語変種を生成するために,LLMを用いて変種生成をガイドする変換との新たなメタモルフィック関係を設計する。 誤変形を低減し,一意な欠点を識別するために,動的フィードバック駆動の選択とプログラムディファレンスに基づくクラスタリングという2つのヒューリスティック手法を提案する。 各メタモルフィック関係について、レポート中心のテストオラクルは、テストに失敗する変種を検出し、シードプログラムとその変種に関するSASTレポートを差分解析することによって、基礎となる欠陥を識別する。 LLM4SASTは6つのSASTツールで66のユニークな障害を特定し、開発者への報告後に32が確認または修正された。 提案されたヒューリスティックは偽陽性の47.8%を排除し、LLM4SASTは既存のアプローチに比べて39.8%しか必要とせず、3.4倍の故障を検出する。

関連論文リスト

• Synthesizing File-Level Data for Unit Test Generation with Chain-of-Thoughts via Self-Debugging [40.29934051200609]
  本稿では,高品質なUTトレーニングを実現するための新しいデータ蒸留手法を提案する。 このパイプラインをオープンソースプロジェクトの大規模なコーパスに適用します。 実験により, 微調整モデルにより, UT生成効率が高いことを示す。
  論文  参考訳（メタデータ） (2026-02-03T06:52:54Z)
• 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)
• Benchmarking Correctness and Security in Multi-Turn Code Generation [41.75392001830794]
  MTSecは,マルチターン符号化シナリオにおける正当性とセキュリティを評価する最初のベンチマークである。 MT-Secでは32のオープンソースモデルとクローズドソースモデルと3つのエージェントスキャフォールディングを評価した。 エージェント生成スキャフォールディングは単一ターンコード生成性能を高めるが,マルチターン評価にはあまり有効ではないことがわかった。
  論文  参考訳（メタデータ） (2025-10-13T01:20:46Z)
• Variation in Verification: Understanding Verification Dynamics in Large Language Models [43.829778623942275]
  本稿では、連鎖推論を生成して検証を行い、次いで二項判定を行う生成検証器について検討する。 実験の結果,有効性に関する3つの重要な知見が得られた。
  論文  参考訳（メタデータ） (2025-09-22T16:36:56Z)
• LLM-Driven SAST-Genius: A Hybrid Static Analysis Framework for Comprehensive and Actionable Security [1.259425825328488]
  本稿では,Large Language Models (LLMs) と Static Application Security Testing (SAST) の相乗効果を検討した。 LLMはコード解析やパターン認識に優れるが、矛盾や幻覚に陥りやすい。 SAST-GeniusはSem単独と比較して偽陽性を約91%(225～20)減らした。
  論文  参考訳（メタデータ） (2025-09-18T21:15:20Z)
• Towards Automated Error Discovery: A Study in Conversational AI [48.735443116662026]
  本稿では,会話型AIにおけるエラーの検出と定義のためのフレームワークであるAutomated Error Discoveryを紹介する。 また,その実装に対するエンコーダに基づくアプローチとして,SEEED(Soft Clustering Extended-Based Error Detection)を提案する。
  論文  参考訳（メタデータ） (2025-09-13T14:53:22Z)
• Towards Effective Complementary Security Analysis using Large Language Models [3.203446435054805]
  セキュリティ分析における重要な課題は、静的アプリケーションセキュリティテスト(SAST)ツールによって生成される潜在的なセキュリティの弱点を手動で評価することである。 本研究では,SAST 結果の評価を改善するために,Large Language Models (LLMs) を提案する。
  論文  参考訳（メタデータ） (2025-06-20T10:46:35Z)
• EquiBench: Benchmarking Large Language Models' Reasoning about Program Semantics via Equivalence Checking [58.15568681219339]
  大規模言語モデル(LLM)を評価するための新しいベンチマークであるEquiBenchを紹介する。 このタスクは、プログラムのセマンティクスについて推論するモデルの能力を直接テストする。 19の最先端LCMを評価し、最も難しいカテゴリでは、最高の精度は63.8%と76.2%であり、50%のランダムベースラインよりわずかに高い。
  論文  参考訳（メタデータ） (2025-02-18T02:54:25Z)

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。