BUGSTONE-E2E将CVE补丁历史转化为可执行检测规则
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
BUGSTONE-E2E框架从2022至2026年的19325个高危CVE中提取2710个修复提交，构建了涵盖56个CWE家族的1033条检测规则。该系统采用漏斗形流水线，先利用Tree-sitter和轻量级启发式过滤候选点，再由LLM代理检查并生成运行时验证补丁。在14个程序的测试中，系统产生了644条运行时证据。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载规则挖掘与构建
BUGSTONE-E2E旨在解决公共漏洞数据库中信息未被自动化重用的问题。该框架从经过验证的修复提交中挖掘可复用的规则，捕获扫描锚点、修复语义及CVE来源，并按CWE和编程语言进行组织。研究团队利用2022年至2026年间的19325个高危CVE数据，识别出2710个修复提交，并据此构建了1033条检测规则，这些规则覆盖了56个CWE家族，被打包成172个技能模块。
漏斗形检测流水线
为了高效检测漏洞，系统设计了一个漏斗形流水线。早期阶段使用轻量级分析处理大量候选者，后期阶段则对缩小的目标集应用能力更强但成本更高的模型。具体流程首先使用Tree-sitter枚举匹配规则锚点的调用站点，随后在不调用大语言模型的情况下，利用轻量级启发式方法移除良性站点。接着，基于LLM的代理在规则引导下检查剩余的候选者。
验证与补丁生成
在LLM代理检查之后，系统会对存留的候选者进行重新分流，并构建运行时验证机制。随后，系统生成经过范围检查的补丁，并通过双向差分测试进行验证。当这套方法应用于14个程序时，BUGSTONE-E2E产生了644条运行时证据。这一结果表明，CVE历史可以被转化为可执行的工作流，将过去的漏洞转变为可复现的检测和修复能力。
为什么值得看
将历史漏洞数据转化为自动化检测与修复能力，提升代码审计效率。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。