LLM 辅助动态威胁分析，针对自动驾驶汽车中攻击者可触及的软件弱点

自动驾驶车辆依赖于大型安全关键软件堆栈，其中来自对抗性输入的弱点可能会影响转向、制动或其他控制决策。静态分析可以识别候选站点，但动态确认可利用性需要难以手动构建的可执行测试工件。我们研究 大语言模型 (LLM) 是否可以为开源自动驾驶堆栈 Autoware 自动化此过程。我们对 185 个包执行编译器精确的静态分析，识别 1,375 个决策规则、2,274 个验证检查和 482 个输入到安全输出流，从中我们得出弱点分类法并对 740 个可访问站点进行采样。两个本地开放权重 LLM、一个非静态上下文消融和一个朴素模板基线生成 3,700 个工件集，这些工件集在清理程序下针对真实构建进行编译，通过编译器在环反馈进行修复，并在可执行时进行模糊测试。主要结果是构建集成失败分类，显示 80% 的首次编译失败源自依赖关系而不是程序逻辑。推理模型在第一次尝试时编译了 64% 的工具，而代码专用模型仅编译了 6%。修复仅通过广泛的存根即可实现推理模型的完全对象可编译性；不到一半的工具到达了模糊器，所有 37 个观察到的崩溃都源于存根代码而不是 Autoware。在预算范围内没有动态确认候选人的弱点。这些结果表明，构建集成（而不是候选生成或模糊测试）是对完整自动驾驶汽车软件堆栈进行可靠的 LLM 辅助动态分析的主要障碍。