迈向 LLM-增强型 Android 污点分析

污点分析是检测 Android 应用程序中敏感数据泄漏的基本技术。然而，由于准确建模 Android 框架的复杂性，传统静态工具（例如 FlowDroid）仍然面临着众所周知的挑战。在本文中，我们研究了现成的 大语言模型 (LLM) 是否可以有效地推理 Android 应用程序中的污点流。我们的初步方法依赖于代理交互策略，使 LLM 能够迭代地探索代码并推理数据流。我们对 FlowDroid 的 DroidBench 基准进行了初步评估，我们的方法优于基线：Gemini-3 Flash 的 F1 分数为 0.96，而 FlowDroid 的 F1 分数为 0.55。特别是，我们观察到具有挑战性的类别的改进，例如组件间通信（0.95 vs. 0.17）、隐式流（0.94 vs. 0.00）和反射（1.00 vs. 0.50），而 FlowDroid 通常在这些方面表现不佳。在一小部分实际应用程序中，基于 LLM 的方法还可以识别 FlowDroid 未报告的其他潜在数据泄漏。这些初步研究结果表明，LLM 推理可以有效补充传统的静态污点分析，推动未来对混合 LLM 增强污点分析流程的研究。