融合大语言模型 新型代码安全审计平台研究

近年软件漏洞数量持续上涨，2025 年漏洞总量同比增 20.38%。传统人工审计效率低、静态工具误报高发，单纯大模型审计又存在全局上下文缺失、推理不稳定、缺少校验证据等痛点，行业审计工作存在明显短板。

针对该问题，宁波职业技术大学信息安全学生团队研发出一套融合大语言模型、程序结构分析、多智能体协同的项目级代码安全审计平台。平台分为四大核心模块，形成完整审计链路：

一是项目级上下文构建模块，解析全量源码、依赖与接口，搭建代码关联索引，按需调取跨文件代码，解决大模型局部分析盲区；

二是双智能体完成漏洞挖掘与可利用性验证，先产出漏洞线索，再从攻击者视角核验触发条件，缓解模型输出波动问题；

三是程序结构校验智能体，依托 AST、控制流、数据流、调用图反向验证漏洞路径真伪，过滤大量误报；

四是多源证据融合模块汇总全部校验信息，综合判定漏洞等级，输出带完整证据链的结构化审计报告，全程可追溯复核。

平台落地后四大能力显著提升：可精准识别跨模块复杂业务漏洞；多智能体交叉验证保障审计稳定；每条漏洞配套客观程序依据，便于定位修复；标准化报告既适配企业安全整改，也可用于网络安全实训教学。

该方案摒弃单一大模型判定漏洞的模式，融合静态程序分析技术，兼顾检测效率与结果可信度。研发团队表示，后续将量化测评检测指标、拓宽多语言框架适配、完善动态漏洞验证能力，持续赋能软件供应链安全治理。

免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。