Multifaceted LLMs for Recommendations of Software Vulnerability Repair and Assessment
Notice bibliographique
Résumé
Common Weakness Enumerations (CWEs) and Common Vulnerabilities and Exposures (CVEs) are open knowledge bases that provide definitions, descriptions, and samples of code vulnerabilities. The combination of Large Language Models (LLMs) with vulnerability knowledge bases helps to enhance and automate code vulnerability repair. Meanwhile, several key factors are introduced, including 1) the retrieval of the most relevant context to a specific vulnerable code snippet; 2) augmenting the retrieved context as input to the LLMs; and 3) the form of the generated artifacts, such as code repair with natural language explanations or code repair only. Artifacts produced by these factors often lack transparency and explainability regarding the rationale behind the repair. In this paper, we propose a framework for an explainable recommendation of vulnerable code repairs with techniques addressing each factor. We design embedding and retrieval patterns based on the data characteristics of the CWE and CVE codebase and knowledge base. These patterns applied across multiple LLMs produce a set of recommendations for the same vulnerable code snippets. These recommendations are used to generate code repairs. This highlights that assessments of these recommendations become imperative in deciding the appropriate code repair and the rationale behind the repair. Through 100 experiments, we observe the inadequacy of the SOTA metrics to differentiate between lowquality retrieval and irrelevant repairs. We use the LLM-as-a-Judge framework to enhance the robustness of recommendation assessments. Compared with baselines using static code analysis and LLMs without retrieval from the CWE and CVE knowledge base, our findings have highlighted the potential that multifaceted LLM usage produces explainable and reliable recommendations under a small to mild level of self-alignment bias. Our work has been developed on open-source knowledge bases and models, which makes it reproducible and extensible to new datasets and retrieval patterns.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,012 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».