一种基于大模型的软件供应链漏洞智能修复方法及系统与流程

摘要: 本发明涉及一种基于大模型的软件供应链漏洞智能修复方法及系统,属于数据漏洞检测与修复。背景技术:1、随着大语言模型、视觉模型等人工智能系统的广泛应用,其运行依赖复...
一种基于大模型的软件供应链漏洞智能修复方法及系统与流程

本发明涉及一种基于大模型的软件供应链漏洞智能修复方法及系统,属于数据漏洞检测与修复。

背景技术:

1、随着大语言模型、视觉模型等人工智能系统的广泛应用,其运行依赖复杂的供应链生态,包括开源依赖库、第三方插件以及自研接口代码,供应链组件的安全漏洞(如输入验证不足、依赖组件的版本缺陷)一旦被攻击者利用,可能导致整个大模型系统被入侵。

2、目前针对大模型供应链漏洞修复的主流方法包括:(1)静态分析与成分分析(sca),通过规则匹配或依赖树扫描,识别已知漏洞及其对应的版本更新方案,但此类方法只能发现有限的漏洞类型,对未知漏洞无能为力,且通常仅能提示升级组件而非生成补丁;(2)相似性比对方法,通过语义嵌入和相似性检索,在历史补丁库中找到与目标漏洞相似的案例,并生成修复方案,此方法尽管提高了修复的自动化程度,但其核心依赖余弦相似度等局部度量,存在缺陷:匹配不稳定,对长尾漏洞或复杂结构代码,检索结果不准确;解释性差,难以说明漏洞与补丁的具体对应关系;全局性不足:未能实现漏洞代码与候选补丁的整体对齐。

3、因此,现有方法在修复精度、鲁棒性和解释性方面仍存在明显不足,但普遍存在以下问题:

4、(1)匹配粗糙:传统语义相似性仅依靠向量距离,无法精细衡量漏洞代码与候选补丁之间的结构性差异。

5、(2)修复不可控:大模型生成补丁可能偏离原始语义,导致功能损坏。

6、(3)知识利用不足:缺乏精确机制去度量漏洞与历史补丁的最优对应关系。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于大模型的软件供应链漏洞智能修复方法,依据语义特征向量与结构特征向量双通道分析,针对二类分布的漏洞代码与候选补丁,构建代价向量并求解最优传输计划,确定漏洞代码的最优补丁集合,经大语言模型生成更准确、更可解释的漏洞修复方案。

2、本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于大模型的软件供应链漏洞智能修复方法,针对待分析软件所对应供应链上各源代码文件,执行步骤a至步骤e,实现漏洞修复;

3、步骤a. 分别针对各源代码文件执行切分,获得源代码文件所对应各候选代码片段,并确定其中各潜在风险代码片段,进而获得各源代码文件分别所对应各潜在风险代码片段,然后进入步骤b;

4、步骤b. 针对全部潜在风险代码片段,获得各潜在风险代码片段分别对应的潜在风险代码片段的语义特征向量与结构特征向量,并执行去噪筛选,获得各个漏洞代码片段;

5、同时针对预设补丁库,获得其中各补丁分别对应的潜在风险代码片段的语义特征向量与结构特征向量;然后进入步骤c;

6、步骤c. 针对全部漏洞代码片段,依据漏洞代码片段的语义特征向量与结构特征向量,构建漏洞代码片段的目标融合特征向量,并执行聚类处理,获得各个簇、以及簇中心向量,然后进入步骤d;

7、步骤d. 依据各簇分别与预设补丁库中各补丁之间的传输代价向量,确定各簇分别对应的最优补丁集合,进而确定各簇中各漏洞代码片段分别对应的最优补丁集合,然后进入步骤e;

8、步骤e. 分别针对各漏洞代码片段,联系漏洞代码片段在其所属源代码文件的上下文信息,以及漏洞代码片段所对应的最优补丁集合,构建用于获得漏洞修复代码的大语言模型提示语,经大语言模型输出关于漏洞代码片段的漏洞修复代码,实现对漏洞代码片段的修复。

9、作为本发明的一种优选技术方案:所述步骤a中,首先分别针对各源代码文件执行函数级切分,获得源代码文件所对应各候选代码片段;然后分别针对各源代码文件所对应的各候选代码片段,应用预设各类型漏洞检测工具对候选代码片段进行检测,并针对检测出具有相应疑似漏洞特征的各候选代码片段,定义为各潜在风险代码片段,进而获得各源代码文件分别所对应各潜在风险代码片段。

10、作为本发明的一种优选技术方案:所述步骤b中,基于全部潜在风险代码片段,分别针对各潜在风险代码片段,执行如下步骤b1至步骤b2,确定是否为漏洞代码片段,进而筛选获得各个漏洞代码片段;

11、步骤b1. 获得潜在风险代码片段所对应的语义特征向量与结构特征向量,并进行归一化更新,其中,,表示全部潜在风险代码片段的数量,表示第个潜在风险代码片段所对应的语义特征向量,表示第个潜在风险代码片段所对应的结构特征向量,然后进入步骤b2;

12、步骤b2. 根据潜在风险代码片段所对应的语义特征向量与结构特征向量,获得潜在风险代码片段所对应的一致性指标,并判断是否大于预设噪声阈值,是则定义潜在风险代码片段为噪声代码片段,否则定义潜在风险代码片段为漏洞代码片段;

13、同时分别针对预设补丁库中的各补丁,获得补丁所对应的语义特征向量与结构特征向量,并进行归一化更新,其中,,表示预设补丁库中补丁的数量,表示第个补丁所对应的语义特征向量,表示第个补丁所对应的结构特征向量。

14、作为本发明的一种优选技术方案:所述步骤b中,分别针对各潜在风险代码片段、各补丁,作为待处理对象,首先针对待处理对象执行分词处理,获得待处理对象所对应的各个token分词,并依据各token分词在所属待处理对象中的位置,分别针对各token分词添加位置编码更新;然后通过前向编码方式,获得各token分词的隐状态,构建隐状态序列;最后获得针对隐状态序列的池化处理结果,构成待处理对象的语义特征向量;

15、同时,首先提取待处理对象中的结构关系,分别生成预设各类数据结构图;然后拼接各类数据结构图的邻接矩阵,获得拼接后边矩阵,同时拼接各类数据结构图的节点特征,获得拼接后点矩阵;最后采用预训练特征提取网络分别针对拼接后边矩阵、拼接后点矩阵执行卷积操作,获得分别对应的特征,并组合构成待处理对象的结构特征向量。

16、作为本发明的一种优选技术方案:针对潜在风险代码片段所对应语义特征向量与结构特征向量的归一化更新,以及针对补丁所对应语义特征向量与结构特征向量的归一化更新,均采用语义特征向量的数据除以语义特征向量的长度,实现语义特征向量的归一化更新,以及采用结构特征向量的数据除以结构特征向量的长度,实现结构特征向量的归一化更新。

17、作为本发明的一种优选技术方案:所述步骤c中,基于全部漏洞代码片段,执行如下步骤c1至步骤c3;

18、步骤c1. 分别针对各个漏洞代码片段,按如下公式:

19、;

20、获得漏洞代码片段所对应的目标融合特征向量,进而获得各漏洞代码片段分别对应的目标融合特征向量,其中,,表示全部漏洞代码片段的数量,表示与的拼接特征向量,表示预训练以拼接特征向量为输入、融合特征向量为输出的前馈神经网络,表示预训练层归一化函数,表示第个漏洞代码片段所对应的目标融合特征向量,然后进入步骤c2;

21、步骤c2. 根据各漏洞代码片段分别对应的目标融合特征向量,应用hdbscan聚类,针对各个漏洞代码片段进行聚类处理,获得各个簇,然后进入步骤c3;

22、步骤c3. 分别针对各个簇,获得簇中各漏洞代码片段所对应语义特征向量的平均向量,构成语义特征平均向量,以及获得簇中各漏洞代码片段所对应结构特征向量的平均向量,构成结构特征平均向量,由语义特征平均向量与结构特征平均向量组合构成簇所对应的中心向量,其中,,表示簇的数量,表示第个簇所对应的语义特征平均向量,表示第个簇所对应的结构特征平均向量。

23、作为本发明的一种优选技术方案:所述步骤d中分别针对各个簇,执行如下步骤d1至步骤d2,获得簇所对应的最优补丁集合,即构成簇中各漏洞代码片段分别所对应的最优补丁集合,进而确定各簇中各漏洞代码片段分别对应的最优补丁集合;

24、步骤d1. 按如下公式:

25、;

26、获得簇与预设补丁库中各补丁之间的传输代价向量,其中,表示第个簇与预设补丁库中第个补丁之间的传输代价向量,分别表示超参数,表示额外惩罚项参数;然后进入步骤d2;

27、步骤d2. 针对簇所对应其与预设补丁库中各补丁之间的传输代价向量,按由小至大顺序进行排序,并顺序选择其中前个补丁,组合构成簇所对应的最优补丁集合,其中,表示簇中漏洞代码片段的数量,表示预设大于0小于1的比例,表示向上取整。

28、作为本发明的一种优选技术方案:基于步骤e中分别针对各漏洞代码片段的修复,还包括执行如下步骤f至步骤g;

29、步骤f. 分别针对各漏洞代码片段,按步骤a中方法,应用预设各类型漏洞检测工具对漏洞代码片段进行检测,判断漏洞代码片段中是否存在漏洞,是则判定针对漏洞代码片段的修复失败,否则判定针对漏洞代码片段的修复成功,进而完成对各漏洞代码片段修复结果的统计,并获得修复成功率,同时针对修复成功的各漏洞代码片段,分别结合其对应的最优补丁集合,构建各个样本,加入知识库进行更新,然后进入步骤g;

30、步骤g. 判断修复成功率是否低于预设下限阈值,是则基于知识库中各个样本,以漏洞代码片段为输入,漏洞代码片段所对应最优补丁集合为输出,针对步骤c至步骤d执行过程中所涉及的各个参数进行训练更新;否则不做进一步处理。

31、与上述相对应,本发明还要解决的技术问题是提供一种基于大模型的软件供应链漏洞智能修复方法的系统,模块化实现各环节操作,构建更准确、更可解释的漏洞修复方案。

32、本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种基于大模型的软件供应链漏洞智能修复方法的系统,包括代码切割模块、风险评测模块、聚类处理模块、最优传输匹配模块、提示生成模块、修复模块,其中,由代码切割模块执行步骤a,获得各源代码文件分别所对应各潜在风险代码片段;由风险评测模块执行步骤b,获得各个漏洞代码片段;由聚类处理模块执行步骤c,获得各个簇、以及簇中心向量;由提示生成模块执行步骤e构建用于获得漏洞修复代码的大语言模型提示语;由修复模块执行步骤e调用大语言模型接收大语言模型提示语执行处理,输出关于漏洞代码片段的漏洞修复代码,对漏洞代码片段进行修复。

33、作为本发明的一种优选技术方案:还包括验证与更新模块、知识库更新模块,其中,验证与更新模块用于执行步骤f至步骤g;知识库更新模块用于接收步骤f所获各样本,并加入知识库进行更新。

34、本发明所述一种基于大模型的软件供应链漏洞智能修复方法及系统,采用以上技术方案与现有技术相比,具有以下技术效果:

35、本发明设计一种基于大模型的软件供应链漏洞智能修复方法,针对供应链上源代码文件中的各潜在风险代码片段,设计语义特征向量与结构特征向量双通道分析,经噪声筛选各漏洞代码片段,提高了方案的鲁棒性,避免噪声干扰;然后确定目标融合特征向量,联系漏洞与补丁间对应强度,通过聚类下各簇分别与各补丁之间的传输代价分析,确定各漏洞代码片段分别对应的最优补丁集合,具备可追溯性;最后联系漏洞代码片段上下文,经大语言模型分析构建漏洞修复代码,并构建准确率反馈机制实现方法持续自进化能力,提高修复方法准确性;同时设计相应系统,模块化搭建设计应用框架,提高实际应用下的实现效率,整体设计方案实现了本地化执行,无需将源代码上传至云端,有效保障了隐私与数据安全。