静的解析は警告処理に多くの課題に直面しており、確率モデルと警告の優先順位付けがユーザーの手動チェックの負担を軽減する重要な方法です。これらのモデルは通常、ユーザーフィードバックに基づいて警告を並べ替え、処理効率を向上させます。しかし、既存の方法は効率の低さや汎化能力の不足といった問題に制約されることが多いです。学習ベースの手法は一定の可能性を示していますが、通常は高額なトレーニングコストを伴い、あらかじめ定義されたモデル構造に制限されています。さらに、大規模言語モデル（LLM）の静的解析への統合はその潜在能力を十分に発揮しておらず、脆弱性検出の精度が低い状況です。これらの問題に対応するため、本論文ではBinLLMという新しいフレームワークを提案し、LLMの汎化能力を活用してルール学習を通じて警告確率モデルの性能を向上させます。我々の手法は、LLMが生成した抽象ルールを確率モデルに導入し、静的解析の警告パスとキーステートメントを組み合わせてモデルの推論能力を強化することで、実際の脆弱性検出率を効果的に高め、汎化誤りの問題を軽減します。C言語プログラム群に対する実験評価では、BinLLMは警告検証に必要なチェック数を、2つの先進的なベースライン手法であるBingoおよびBayeSmithと比較して、それぞれ40.1％および9.4％削減し、LLMと静的解析の組み合わせが警告管理の向上における応用可能性を十分に示しました。

静的解析;ベイズ推論;大規模言語モデル;警告の順位付け