用 LLM 修复 Web 应用中的失效访问控制：一项实证基准研究

查看 PDF HTML（实验性）

摘要：失效的访问控制（BAC）属于最严重的 Web 应用漏洞类别之一，但其自动化修复在很大程度上仍未被探索。与内存安全漏洞不同，BAC 是一种逻辑漏洞，其修复需要深入理解应用的访问控制模型和业务语义，而传统的自动化漏洞修复技术对此处理不佳。大语言模型（LLM）为解决这一问题开辟了一条有前景的途径，但目前尚无标准基准来研究它们修复 BAC 漏洞的效果。我们构建了 BAC-Bench，这是首个用于 BAC 修复的基准，包含 46 个真实世界的 BAC 漏洞，取自六个广泛使用的 Web 应用，涵盖四种编程语言。每个漏洞都配备了沙箱运行时环境、PoC 验证程序和功能测试程序。我们进一步提出了一个 BAC 修复策略框架，从位置、覆盖范围、机制和内容四个维度刻画任何 BAC 补丁。在 BAC-Bench 上评估八个基础 LLM 和两个商用 LLM 智能体，我们发现单轮基础 LLM 平均修复 37.68% 的漏洞，而两个极简脚手架 Apply-Feedback 和 Navigate-and-Locate 将该平均值提升至 66.03%，最佳基础 LLM 达到 75.36%，接近最佳智能体的 78.99%。值得注意的是，一些 LLM 生成的补丁超越了官方补丁，其中一个还顺带修复了一个潜伏三年的零日漏洞。我们的发现勾勒出基于 LLM 的 BAC 修复当前的能力边界，并为其实际应用提供了指导。

提交历史

来自：Mingrui Liu [查看邮箱]
[v1] 2026年10月25日 星期日 13:45:32 UTC（2,764 KB）