arXiv cs.AI· Ira Ceka, Arnav Garg, Ryan Lutz, Ting Zhang, Ratnadira Widyasari, Gail Kaiser, Baishakhi Ray·· 1 天前AI 评分35
MetaVul：面向漏洞检测的智能体 harness 自动发现框架
MetaVul: Agentic Harness Discovery for Vulnerability Detection
AI 导读
MetaVul 是一个面向漏洞检测的自改进框架，从种子结构化推理脚手架出发，通过基于工作流的优化循环，利用成对漏洞函数与修复函数的反馈迭代改进 harness，并返回一组 Pareto 最优 harness。
正文 · AI 翻译
摘要：LLM 智能体正越来越多地被用于自动化漏洞检测，但可靠检测颇具挑战，因为智能体必须将细微的、与安全相关的修复与良性代码变动区分开来。尽管底层 LLM 能力已显著提升，智能体的准确率仍高度依赖于 harness：即围绕 LLM 定义脚手架（scaffolding）的代码。Harness 通常是固定的，且大多为手工编写，限制了对评估器反馈的适应能力。此外，当 harness 为静态时，在一个数据集或模型上的改进可能无法迁移到其他数据集或模型。为应对这些挑战，我们提出 MetaVul，一个用于漏洞检测中 harness 发现的自改进框架。MetaVul 从种子结构化推理脚手架出发，使用基于工作流的优化循环，利用成对的易受攻击函数与已修补函数的反馈来迭代改进 harness，同时保留结构化推理与判定格式。在每次迭代中，它会在先前 harness 的历史中进行搜索，并可访问其轨迹、日志和指标，最终返回一组帕累托最优 harness。我们将 MetaVul 应用于为多种架构发现智能体 harness。验证集（202 对）用于优化，而未见过的数据集（430 对）保留为留出集。我们测试了从一个模型学到的 harness 能否迁移到优化期间未见过的其他模型。在前沿 LLM 和小型 LLM 上的结果表明，优化后的 harness 在验证集上将成对漏洞检测提升最多 23.3 个百分点，在留出集上使用帕累托前沿 harness 提升最多 25.8 个百分点。用一个模型学到的 harness 也能迁移到其他模型。我们表明，用一个模型优化的 harness 可迁移到另一个模型，在无需进一步优化的情况下将留出集成对准确率提升 14.7 个百分点。
| 评论： | 最初公布于 2026 年 9 月 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；软件工程（cs.SE） |
| 引用为： | arXiv:2610.40721 [cs.CR] |
| （或 arXiv:2610.40721v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40721 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Ira Ceka [查看邮箱]
[v1]
2026 年 10 月 29 日星期四 04:30:42 UTC（59 KB）
来源：arXiv cs.AI · arxiv.org