論文の概要: DeepAVR: Deep Analysis via Multi-Agent Collaboration for Automated Vulnerability Repair

• arxiv url: http://arxiv.org/abs/2610.32345v1
• Date: Fri, 23 Oct 2026 08:36:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.437596
• Title: DeepAVR: Deep Analysis via Multi-Agent Collaboration for Automated Vulnerability Repair
• Title（参考訳）: DeepAVR: 自動脆弱性修復のためのマルチエージェントコラボレーションによるディープ分析
• Abstract要約: AVR(Automated Vulnerability repair)は、ソフトウェアセキュリティの欠陥に対する重要な防御として登場し、バグのトリアージと修正を自律的に行おうとしている。 本稿では,中間補修結果から構造化診断フィードバックへ変換して深層解析を行う,エンドツーエンドの一般化のためのマルチエージェントフレームワークであるDeepAVRを提案する。 DeepAVRは以前の方法よりも優れ、92.3%の脆弱性に対して正しいパッチを生成する。
• 参考スコア（独自算出の注目度）: 12.927034410716372
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Automated Vulnerability Repair (AVR) has emerged as a critical defense against software security flaws, aiming to triage and fix bugs autonomously. Early LLM-based approaches focused on patch generation under the assumption of perfect fault localization, while recent end-to-end methods attempt to repair vulnerabilities directly from sanitizer logs. However, these methods often fail when the root cause is deeply hidden--either physically distant from the crash site or logically masked by interdependent errors--making the initial report insufficient. We propose DeepAVR, a multi-agent framework for end-to-end AVR that performs deep analysis by transforming intermediate repair outcomes into structured diagnostic feedback. DeepAVR decomposes repair into specialized roles--Fault Localization, Patch Generation, Compile Validation, Security Validation, Functionality Validation, and Patch Review--and routes feedback across these roles to iteratively refine both localization and patch hypotheses. In particular, DeepAVR introduces patch-conditioned re-localization, which treats execution results from intermediate patches as diagnostic signals to uncover hidden root causes, and a root-cause-oriented patch review stage that detects symptom-level fixes and incomplete repairs beyond execution-based validation. Evaluation on the real-world C/C++ vulnerability repair dataset VulnLoc shows that DeepAVR significantly outperforms prior methods, generating correct patches for 92.3% of vulnerabilities. Furthermore, results on SAN2VULN demonstrate strong generalization, with DeepAVR effectively repairing vulnerabilities unseen during training.
• Abstract（参考訳）: AVR(Automated Vulnerability repair)は、ソフトウェアセキュリティの欠陥に対する重要な防御として登場し、バグのトリアージと修正を自律的に行おうとしている。 初期のLSMベースのアプローチは、完全なフォールトローカライゼーションを前提としたパッチ生成に重点を置いていたが、最近のエンドツーエンドの手法では、サニタイザログから直接脆弱性を修復しようと試みている。 しかし、これらの方法はしばしば、根本原因が深く隠されているときに失敗する - 墜落現場から物理的に遠いか、相互依存的なエラーによって論理的に隠蔽されているか - 最初の報告が不十分である。 本稿では,中間修復結果から構造化診断フィードバックへ変換して深層分析を行う,エンドツーエンドAVR用マルチエージェントフレームワークであるDeepAVRを提案する。 DeepAVRは、修復を特別な役割 - Fault Localization、Patch Generation、Compile Validation、Security Validation、Functionity Validation、Patch Review - に分解し、これらのロールにフィードバックをルーティングして、ローカライゼーションとパッチ仮説の両方を反復的に洗練する。 特に、DeepAVRでは、中間パッチからの実行結果を診断信号として扱い、隠れたルート原因を明らかにするパッチ条件の再ローカライゼーションと、症状レベルの修正と実行ベースの検証以上の不完全な修正を検出するルート原因指向のパッチレビューステージが導入されている。 現実世界のC/C++脆弱性修復データセットであるVulnLocの評価によると、DeepAVRは以前の方法よりも大幅に優れており、92.3%の脆弱性に対して正確なパッチを生成する。 さらに、SAN2VULNの結果は強力な一般化を示し、DeepAVRはトレーニング中に見えない脆弱性を効果的に修復する。

関連論文リスト

• EviRepair: Evidence-Driven Agents for Reliable Vulnerability Repair [55.22600943144124]
  リポジトリレベルの脆弱性修復のためのエビデンス駆動型マルチエージェントフレームワークであるEviRepairを提案する。 EviRepairは、エージェントが協力して証拠を収集できるようにすることによって、修復プロセスにエビデンスレビューを導入する。 PatchEvalとSecBenchベンチマークの実験は、EviRepairが既存のエージェントベースのベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-10-09T12:22:43Z)
• Independent Patch Verification for Coding Agents with a Bidirectional Reconstruct-and-Verify Framework [49.16055123488827]
  大規模言語モデルを利用したコーディングエージェントは、バグレポートから直接コードパッチを生成することができる。 報告された問題を真に解決するかどうかを独立に検証するメカニズムは存在しない。 本稿では,RETRACE をトレーニング不要なポストジェネレーション検証フレームワークとして提案する。
  論文  参考訳（メタデータ） (2026-08-09T22:59:13Z)
• Knowledge-Enhanced Agentic Vulnerability Repair [20.715227299482947]
  KeaRepairは、検証済みのプログラム事実と高いレベルの脆弱性知識のパッチ生成を基盤とする、新しいエージェント的アプローチである。 55のC/C++脆弱性に対する既存のアプローチよりも大幅に優れています。 Gemini-3.1-Proと組み合わせると、KeaRepairは46個の脆弱性の修復に成功し、83.64%の修復率を達成した。
  論文  参考訳（メタデータ） (2026-07-01T11:42:25Z)
• RAVEN: Agentic RAG for Automated Vulnerability Repair [48.8954115363348]
  自動脆弱性修復のためのスケーラブルで効率的で自律的なフレームワークであるRAVENを提案する。 RAVENは、エージェント検索拡張生成(RAG)パイプラインと、制御された反復的な修復を統一されたフレームワークに統合する。 RAVENは全体の修復成功率83.13%を達成し、既存のすべての修復フレームワークを上回っている。
  論文  参考訳（メタデータ） (2026-06-21T19:18:06Z)
• ContraFix: Agentic Vulnerability Repair via Differential Runtime Evidence and Skill Reuse [10.503895811137095]
  大規模言語モデル(LLM)エージェントは、自動脆弱性修復にますます利用されている。 最近の実証的な結果は、これらのエージェントがいまだに現実世界の脆弱性と戦っていることを示している。 ContraFixは、再利用可能な修復スキルとランタイムエビデンスを結合するエージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-05-17T13:48:25Z)
• Root-Cause-Driven Automated Vulnerability Repair [22.901308199259443]
  Kumushiは、欠陥に最も関係のあるコードに焦点を当てた、ルート原因駆動のパッチエージェントである。 根本原因の修正を増やし、表面パッチを少なくし、決定的なペア比較の多数で好まれる。
  論文  参考訳（メタデータ） (2026-05-05T19:34:49Z)
• Detect--Repair--Verify for LLM-Generated Code: A Multi-Language, Multi-Granularity Empirical Study [10.18490328199727]
  大規模な言語モデルは実行可能なソフトウェアアーチファクトを生成することができるが、そのセキュリティはエンドツーエンドの評価が難しいままである。 本研究では、脆弱性を検出し、修復し、セキュリティおよび機能テストで再チェックするDRVワークフローを通じて、その問題を調査する。 現在の証拠の4つのギャップに対処する: LLMの生成したアーティファクトの試験的なベンチマークの欠如、パイプラインレベルの有効性に関する限られた証拠、修正ガイダンスとしての検出レポートの不確実な信頼性、検証中の不確実な修復信頼性。
  論文  参考訳（メタデータ） (2026-03-24T18:18:30Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)
• A Case Study of LLM for Automated Vulnerability Repair: Assessing Impact of Reasoning and Patch Validation Feedback [7.742213291781287]
  提案するVRpilotは,推論とパッチ検証フィードバックに基づく脆弱性修復手法である。 以上の結果から,VRpilotはCとJavaのベースライン技術よりも平均14%と7.6%の正確なパッチを生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-24T16:29:48Z)

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。