L'analyse statique fait face à de nombreux défis dans le traitement des alertes, où les modèles probabilistes et le classement par priorité des alertes sont des méthodes clés pour alléger la charge manuelle des utilisateurs. Ces modèles s'appuient généralement sur les retours des utilisateurs pour classer les alertes, améliorant ainsi l'efficacité du traitement. Cependant, les méthodes existantes sont souvent limitées par une faible efficacité et une capacité de généralisation insuffisante. Bien que les méthodes basées sur l'apprentissage aient montré un certain potentiel, elles s'accompagnent généralement de coûts d'entraînement élevés et sont limitées par une structure de modèle prédéfinie. De plus, l'intégration des grands modèles de langage (LLM) dans l'analyse statique n'a pas encore pleinement exploité leur potentiel, entraînant une précision réduite dans l'identification des vulnérabilités. Pour répondre à ces problèmes, cet article propose un nouveau cadre nommé BinLLM, qui exploite la capacité de généralisation des LLM pour améliorer les performances du modèle probabiliste des alertes via l'apprentissage de règles. Notre approche introduit des règles abstraites générées par les LLM dans le modèle probabiliste, combinant les chemins d'alerte et les instructions clés de l'analyse statique, renforçant ainsi la capacité d'inférence du modèle, améliorant efficacement le taux d'identification des vulnérabilités réelles et atténuant les erreurs de généralisation. Lors d'une évaluation expérimentale sur un ensemble de programmes en C, BinLLM a réduit le nombre de vérifications nécessaires pour la validation des alertes de 40,1 % et 9,4 % respectivement par rapport à deux méthodes de référence avancées, Bingo et BayeSmith, démontrant pleinement le potentiel de la combinaison des LLM et de l'analyse statique pour améliorer la gestion des alertes.

analyse statique; raisonnement bayésien; grands modèles de langage; classement des alertes