ContraFix：用于漏洞修复的技能增强对比运行时分析

随着软件系统变得越来越复杂，自动漏洞修复（AVR）仍然很困难，因为修复系统可用的材料通常是故障工件而不是修复指南。传统的分析技术可以提供可疑位置、减少触发器或约束，但跨存储库配置成本高昂，并且很少可直接用于补丁生成。最近基于 LLM 的代理可以编辑和验证存储库级补丁，基于经验的系统可以重用之前的修复跟踪或演示，但它们仍然需要当前实例证据，将广泛的症状级故障报告转变为具体的修复决策。我们提出了 ContraFix，一个代理 AVR 框架，它通过对比运行时分析来构建此类证据。从失败的见证人开始，ContraFix 生成附近的失败和非失败变体，通过对齐的探测站点执行它们，并比较它们的运行时状态以推断修复边界并指导源级修补。每个候选补丁仅在构建和验证后才被接受。 ContraFix 还将经过验证的修复片段存储在双轨技能库中，重用突变技能来构建有用的变体和修正技能来完善失败的补丁。在 SEC-Bench 上，使用 GPT-5-mini 的 ContraFix 在 3 次重复运行中实现了 92.0% 的分辨率，平均分辨率为 91.8% +/- 0.8。在 PatchEval 上，它解析了 225 个 Go、Python 和 JavaScript 实例中的 73.8%。对基准验证的 SEC-Bench 补丁的语义审核显示，ContraFix 的补丁中有 58.2% 在语义上是正确的，而最强基线的这一比例为 31.3%，这表明所提出的框架提高了语义正确性，超出了基准验证。