在软件安全领域，触发本地化旨在识别具体的代码语句，该语句将脆弱的程序状态转变为具体的安全操作。这一问题的复杂性超出了二进制漏洞检测，因为它需要跨过程的因果推理：在许多实际的 CVE 中，触发语句往往位于补丁函数之外的多个调用层级，超出了静态规则集和模式匹配语言模型的能力范围。
为了解决这个问题，我们提出了 AutoTrace，一个智能管道，通过逐层探索代码属性图来定位漏洞触发器。LLM 代理负责决定下一步的探索方向，而确定性可接受性门则决定在报告触发器之前所需的证据。代理不单凭自己的权威接受触发器，所有报告的触发器都必须有明确的证据支持，这些证据来源于图形，因此该管道能够覆盖 intra- 和 interprocedural 漏洞，而不依赖于无根据的模型判断。
在完整的 InterPVD 基准测试中，AutoTrace 达到了 75.0% 的 VulnHit 和 80.8% 的 FuncHit，超越了在相同语料库上的之前最优表现。基于相同的机制，我们构建了 SinkTrace-Bench，一个数据集，揭示每个漏洞作为攻击者控制输入到危险操作的源到汇（S2S）因果链。该数据集包含 1,542 个经验证的、完全平衡的脆弱/安全样本，标签的准确性经过专家注释的审计。对前沿的 LLM 进行基准测试时，我们发现即使是最强的模型也难以区分匹配对，揭示了触发本地化所针对的因果推理差距。相关工件可在 GitHub 获取。
博主点评： AutoTrace 的创新在于结合了智能代理与因果推理，显著提升了漏洞修复的精确性。这种方法不仅提高了检测率，还为未来的安全工具开发提供了新的思路，值得关注。其在实际应用中的表现将会对安全领域产生深远影响。