GRAML：以程序图证据与多任务训练支持LLM漏洞检测

大型语言模型（LLM）已广泛应用于软件漏洞检测。然而，它们的性能常常受到控制流和数据流信息使用不足的限制。在本文中，我们提出了 GRAML，一个结合了图证据、漏洞描述生成和多任务训练的框架。 GRAML 首先对 C/C++ 程序进行静态分析，以提取关键源代码行和类型化行关系作为结构证据。然后，它使用这些证据来指导 GPT-5 通过思想树引导的漏洞推理 (ToT-VR) 流程并生成漏洞描述。这些描述进一步与检测、定位和评估样本相结合，构建统一的四任务训练数据集。我们在分布内 (ID) 测试集和六个分布外 (OOD) 数据集上评估 GRAML。结果显示，GRAML 的平均 F1 分数在 66.67% 到 68.70% 之间，比最先进的基线高出 30.92%。消融实验进一步表明 ToT-VR 和图引导漏洞 与标准思想链 (CoT) 推理和原始代码属性图 (CPG) 序列化相比，描述提高了检测性能。这些发现为使用大型语言模型构建更可靠、更安全的软件工程系统提供了实用指导。