2026-07-19 05:17:00 网络安全文章来源：ZONE.CI 全球网 0 阅读模式

文章总结： 该文档介绍了一个完全本地化的漏洞研究流水线local-vuln-research-pipeline，以14B参数代码模型Qwen2.5-Coder为核心，采用代码图谱与LLM混合架构，通过穷举式source-to-sink路径枚举进行自动化漏洞挖掘。系统已在LinuxKernel、VSCode等大型项目上验证，支持多种语言和漏洞类型，推荐配置为RTX4070TiSUPER等本地硬件。对于拥有充足算力的安全团队，该工具提供了不依赖云服务的系统性漏洞挖掘方案。 综合评分： 90 文章分类： 漏洞分析,代码审计,AI安全,安全工具,实战经验

cover_image

本地漏洞研究流水线发布：14B代码模型驱动自动化漏洞挖掘

原创

播风者播风者

黑白之道

2026年7月12日 08:57 韩国

在小说阅读器读本章

去阅读

导语：安全研究人员于近日发布了一套完全本地化的漏洞研究流水线（local-vuln-research-pipeline）。该系统以14B参数代码专用模型Qwen2.5-Coder为核心，通过代码图谱与LLM混合架构，对目标代码进行穷举式source-to-sink路径枚举，已在Linux Kernel、VSCode等大型项目上完成验证。

一、项目概述

该流水线名为local-vuln-research-pipeline，托管于GitHub（theteatoast/local-vuln-research-pipeline），核心设计理念是”完全本地化+穷举覆盖”——不依赖任何云端API，所有分析均在本地硬件完成。

与传统静态分析工具不同，该系统将LLM仅用于可利用性推理，而非漏洞发现。代码图谱构建、路径枚举等核心步骤均为确定性执行，确保分析结果可复现、无遗漏。

核心架构

流水线采用代码图谱 + LLM混合架构，分析流程如下：

指纹识别 + SBOM生成：对目标仓库进行完整文件清单构建
依赖漏洞扫描：对接NVD数据库，结合EPSS/KEV排名筛选高危依赖
静态分析：调用Semgrep扫描，同时构建完整调用图谱
威胁建模 + CVE目录：注入产品相关历史CVE，为LLM提供上下文
路径枚举：穷举所有source-to-sink路径，进行过程间污点追踪
逐路径LLM分析：验证每条路径的真实可利用性
盲区覆盖：对未被路径覆盖的源文件逐一进行LLM代码审查
攻击链合成：通过networkx传递闭包构建多步攻击路径
报告输出：生成包含根因、利用路径和修复建议的完整报告

二、支持能力

支持的编程语言与框架

该系统通过tree-sitter解析9种语言的正则回退，覆盖如下主流技术栈：

C/C++/Rust：内存安全问题（缓冲区溢出、use-after-free等）
TypeScript/JavaScript：XSS、SSRF、 prototype pollution、SSTI
Python：Flask/Django/Express路由安全、ORM注入、认证绕过
Java：Spring Boot注解安全、SpEL注入、反序列化漏洞
Go：HTTP路由、goroutine竞态条件

可检测漏洞类型

流水线可检测的漏洞类型覆盖主流攻击向量，包括但不限于：各类注入漏洞（命令注入、SQL注入、路径注入、SSRF、SSTI）、反序列化漏洞、身份认证与访问控制绕过、硬编码凭证、竞态条件（TOCTOU）、XXE、LDAP注入、XPath注入、弱加密与弱随机数使用等。

三、测试配置与性能

根据项目文档，推荐硬件配置如下：

GPU：RTX 4070 Ti SUPER（16GB VRAM）
CPU：Ryzen 7 7700（8C/16T）
内存：32GB DDR5 6000MHz
模型：Qwen2.5-Coder-14B-Abliterated Q4_K_M（14B密集参数，8.6GB）
Draft模型：Qwen2.5-Coder-0.5B-Q4_K_M（约400MB），用于推测解码
推理速度：25-35 tok/s基础，启用推测解码后可达35-50 tok/s
上下文窗口：32K tokens

推理服务基于llama.cpp构建，支持jinja模板、flash attention和Q4 KV cache。NVD数据更新需申请API Key，完整下载约45分钟（36万+ CVE记录）。

四、使用方法

项目依赖Python环境，安装步骤如下：

# 安装llama.cpp
winget install llama.cpp &nbsp;# Windows
brew install llama.cpp &nbsp; &nbsp;# macOS / Linux

# 安装Python依赖
pip install -r requirements.txt
pip install huggingface_hub

# 下载主模型（14B）
huggingface-cli download bartowski/Qwen2.5-Coder-14B-Instruct-abliterated-GGUF \
&nbsp; Qwen2.5-Coder-14B-Instruct-abliterated-Q4_K_M.gguf --local-dir models/

# 下载Draft模型（0.5B）
huggingface-cli download bartowski/Qwen2.5-Coder-0.5B-Instruct-abliterated-GGUF \
&nbsp; Qwen2.5-Coder-0.5B-Instruct-abliterated-Q4_K_M.gguf --local-dir models/

# 启动推理服务
python start_server.py

# 更新CVE数据库（首次运行）
export&nbsp;NVD_API_KEY="your-key-here"
python -m src.main update-cve

# 启动漏洞审计
python run_audit.py /path/to/target-repo
# 断点续扫
python run_audit.py /path/to/target-repo --resume

五、局限性

项目文档明确列出了静态分析固有的局限性：

C函数指针：通过函数指针的动态调用无法精确定位目标，仅作保守标记
C++/Java/C#虚表：通过vtable的虚调用采用保守解析策略
反射调用：标记为可疑，具体严重程度依赖上下文判定
C宏：AST解析器不展开宏，宏内漏洞可能漏报
汇编代码：不在分析范围内
跨翻译单元内联（C语言）：调用图谱中将显示为独立函数

对于上述边界情况，系统会将不确定性上报至LLM进行判断，而非直接给出假阴性结果。

六、总结

local-vuln-research-pipeline代表了本地化AI驱动代码审计的一个重要方向——通过穷举式路径枚举确保覆盖无死角，同时以LLM处理语义理解层面的可利用性判断。相比纯动态分析或纯规则匹配的传统方案，其代码图谱 + LLM混合架构在召回率与精确度之间取得了更好的平衡。

对于拥有充足本地算力的安全团队、甲方SRC或大型企业内部安全团队，该工具提供了在不依赖外部云服务的前提下，对大型代码仓库进行系统性漏洞挖掘的可能性。

项目地址：https://github.com/theteatoast/local-vuln-research-pipeline

👇 点击阅读原文，访问我的网站

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：黑白之道播风者播风者《本地漏洞研究流水线发布：14B代码模型驱动自动化漏洞挖掘》