Статический анализ сталкивается с множеством проблем при обработке предупреждений, при этом вероятностные модели и ранжирование приоритетов предупреждений являются ключевыми методами для снижения нагрузки на ручную проверку пользователем. Эти модели обычно опираются на обратную связь от пользователей для ранжирования предупреждений, что повышает эффективность обработки. Однако существующие методы часто ограничены низкой эффективностью и недостаточной способностью к обобщению. Несмотря на то, что методы на основе обучения показывают определённый потенциал, они обычно сопровождаются высокой стоимостью обучения и ограничены предопределённой структурой модели. Кроме того, интеграция больших языковых моделей (LLM) в статический анализ пока не реализовала свой полный потенциал, что приводит к низкой точности обнаружения уязвимостей. Для решения этих проблем в данной статье предлагается новая рамочная система — BinLLM, которая использует обобщающую способность LLM для повышения производительности вероятностной модели предупреждений путём обучения правилам. Наш подход внедряет абстрактные правила, сгенерированные LLM, в вероятностную модель, сочетая пути предупреждений и ключевые выражения статического анализа, усиливая выводы модели, что эффективно повышает точность выявления реальных уязвимостей и снижает ошибки обобщения. В экспериментальной оценке на наборе программ на C BinLLM сократил необходимое количество проверок для верификации предупреждений на 40.1% и 9.4% по сравнению с двумя передовыми базовыми методами Bingo и BayeSmith соответственно, что полностью демонстрирует потенциал интеграции LLM и статического анализа для улучшения управления предупреждениями.

статический анализ;байесовское вывод;большие языковые модели;ранжирование предупреждений