تواجه التحليلات الثابتة العديد من التحديات في معالجة التنبيهات، حيث تُعتبر نماذج الاحتمالات وترتيب أولوية التنبيهات طرقًا رئيسية لتخفيف العبء اليدوي على المستخدم. تعتمد هذه النماذج عادة على ملاحظات المستخدم لترتيب التنبيهات، مما يُحسن كفاءة المعالجة. ومع ذلك، غالبًا ما تعاني الطرق الحالية من مشكلات مثل انخفاض الكفاءة وقلة القدرة على التعميم. على الرغم من أن الطرق القائمة على التعلم أظهرت بعض الإمكانيات، إلا أنها عادة ما تصاحبها تكلفة تدريب مرتفعة وتكون مقيدة بهيكل النموذج المحدد مسبقًا. بالإضافة إلى ذلك، لم يتم استغلال إمكانيات النماذج اللغوية الكبيرة (LLM) بشكل كافٍ في التحليلات الثابتة، مما يؤدي إلى دقة منخفضة في التعرف على الثغرات. لمواجهة هذه المشكلات، نقترح في هذه الورقة إطارًا جديدًا يسمى BinLLM، والذي يستفيد من قدرة التعميم لـ LLM لتعزيز أداء نموذج الاحتمالات لتنبيهات التحليل الثابت من خلال تعلم القواعد. تستخدم طريقتنا القواعد المجردة التي تولدها LLM في نموذج الاحتمالات، مع دمج مسارات التنبيهات والعبارات الرئيسية في التحليل الثابت لتعزيز قدرة الاستدلال للنموذج، مما يزيد من دقة التعرف على الثغرات الحقيقية ويقلل من أخطاء التعميم. في تقييم تجريبي على مجموعة من برامج C، قلل BinLLM عدد الفحوصات اللازمة للتحقق من التنبيهات بنسبة 40.1% و9.4% مقارنةً مع أسلوبي الأساس المتقدمين Bingo و BayeSmith على التوالي، مما يعكس بشكل كامل إمكانيات دمج LLM مع التحليل الثابت في تحسين إدارة التنبيهات.

التحليل الثابت;الاستدلال البايزي;النماذج اللغوية الكبيرة;ترتيب التنبيهات