정적 분석은 경고 처리에 많은 어려움을 겪고 있으며, 확률 모델과 경고 우선순위 정렬이 사용자의 수동 검사 부담을 완화하는 핵심 방법입니다. 이러한 모델은 일반적으로 사용자 피드백에 의존하여 경고를 정렬함으로써 처리 효율성을 향상시킵니다. 그러나 기존 방법들은 낮은 효율성과 일반화 능력 부족 등의 문제에 제한되는 경우가 많습니다. 학습 기반 방법들이 일정한 잠재력을 보였음에도 불구하고, 대개 높은 학습 비용과 사전 정의된 모델 구조에 의해 제약받습니다. 또한 대형 언어 모델(LLM)의 정적 분석 통합은 그 잠재력을 충분히 발휘하지 못하여 취약점 식별 정확도가 낮습니다. 이러한 문제를 해결하기 위해 본 논문에서는 BinLLM이라는 새로운 프레임워크를 제안하며, 이 프레임워크는 LLM의 일반화 능력을 활용하여 규칙 학습을 통해 경고 확률 모델의 성능을 향상시킵니다. 우리 방법은 LLM이 생성한 추상 규칙을 확률 모델에 도입하고, 정적 분석의 경고 경로와 주요 구문을 결합하여 모델 추론 능력을 강화함으로써 실제 취약점 식별률을 효과적으로 높이고 일반화 오류 문제를 완화합니다. C 프로그램 집합에 대한 실험 평가에서 BinLLM은 경고 검증에 필요한 검사 수를 두 개의 첨단 기준 방법인 Bingo 및 BayeSmith에 비해 각각 40.1% 및 9.4% 줄여, LLM과 정적 분석의 결합이 경고 관리 향상에 있어 큰 잠재력을 지님을 충분히 보여주었습니다.

정적 분석; 베이지안 추론; 대형 언어 모델; 경고 정렬