三头胜一头：增强漏洞检测的多视角推理框架

自动漏洞检测对于通过识别攻击者可能利用的潜在缺陷来增强软件安全性至关重要，从而减少对劳动密集型手动代码审核的依赖。最近的进展已转向利用 大语言模型 (LLM) 进行漏洞检测，Vul-RAG 和 VulnSage 等技术展示了通过结构化提示和外部知识集成取得的进展。然而，这些方法通常依赖于单一的推理范式，限制了它们解决现实世界漏洞的复杂性和多样性的能力。为了克服这些限制，我们提出了 ReasonVul，一种新颖的多视角推理框架，它利用三个专门的 LLM 代理之间的认知协同作用，每个代理都体现了不同的推理模式。该框架首先对源代码进行独立分析，然后通过结构化的辩论机制，通过迭代反驳和修改来解决冲突，最终汇聚成协作判断。在 PrimeVul 数据集上进行评估，ReasonVul 的 PairAcc 为 40.00%，F1 分数为 72.52%，比 PairAcc 中的最佳基线高出 81.24%。对 JITVUL 数据集的进一步测试证实了其通用性，PairAcc 为 28.67%。此外，我们分析了 542 个冲突案例，发现 389 个得到了正确解决，凸显了该框架通过辩论驱动的纠错机制发现隐藏漏洞的能力。这项工作强调了多视角推理和协作验证在现实软件系统中实现稳健且全面的漏洞检测的重要性。