一种利用大语言模型增强静态分析代码摘要能力的方法

摘要

程序摘要技术作为静态分析的关键手段之一，一直以来都面临效率与精度的权衡问题．现有的传统静态分析工具为生成准确的摘要，需要耗费大量的分析时间．为解决这一问题，提出了利用大语言模型增强静态分析代码摘要能力的方法．首先，采用基于思维链的少样本提示方法对大语言模型进行微调，实现精准的摘要生成；其次，实现对复杂摘要导致状态爆炸问题的建模；最后，提出创新的静态分析与大语言模型的调度策略，提前预测需要应用大语言模型的场景，并实现大语言模型与静态分析过程的交互．设计并实现了工具LLM-SAST，并在Tomcat等开源软件上进行了测试．实验结果表明，相较于目前经典的静态分析工具FlowDroid与Soot，精度提升了10%～400%不等，运行时间减少了50%～90%不等，证明了该方法有效提升了静态分析的精度与效率．

关键词

静态程序分析 / 大语言模型 / 提示工程 / 代码摘要