ISSTA 2026 论文解读丨大语言模型离替代人类挖漏洞还有多远？——评 SAGE：基于大语言模型的漏洞检测信号放大引导嵌入方法

原创

王凯
王凯

信息网络安全杂志

2026年7月1日 12:00
上海

在小说阅读器读本章

去阅读

引子

漏洞挖掘是网络与信息安全领域的核心技术，早期主要依靠静态分析、规则匹配和动态测试等方法，容易遇到扩展性差、路径爆炸、规则依赖强等问题；后来图神经网络把代码图结构引入，能更好地表示控制流和依赖关系，但仍然比较依赖外部结构。自2022年ChatGPT诞生，基于大语言模型（LLM）的漏洞挖掘成为了新的前沿方向，但现有方法容易在复杂真实代码里出现“看起来懂了，其实抓不住关键漏洞点”的问题。没有显式建模中间层信号的变化，等到最后一层再做判断时，真正有用的漏洞线索往往已经被稀释了。

论文速览

这篇发表于 ISSTA 2026 的论文《SAGE: Signal-Amplified Guided Embeddings for LLM-based Vulnerability Detection》（CCF-A，直接接受率11%，99/888），由山东大学徐明辉、张悦、成秀珍教授课题组与南京大学吴昊教授课题组合作完成，提出了一种面向漏洞检测的新方法 SAGE。它的核心思路很清晰：不要只盯着模型最后一层的输出，而要去中间层把那些微弱的漏洞信号提前找到并放大出来，让大语言模型尽可能少疏漏。为此，作者在大模型中间层接入了任务条件化的稀疏自编码器，用它把混杂在一起的表示拆开，让漏洞相关特征尽量和普通语义分离，再交给分类器判断。论文在 BigVul、PrimeVul 和 PreciseBugs 3个主流开源数据集、13种编程语言上做了全面测试，结果显示，SAGE 在多个基座模型上都取得了更好的 MCC（马修斯相关系数，是衡量漏洞二分类模型整体效果的重要指标），并且在跨语言、跨分布场景下更稳，作者还报告其内部信噪比最高可提升 12.7 倍。

深度剖析

这篇论文最有价值的地方，不仅只是结果更高就好，而是它把问题讲清楚了。过去很多工作都在提示、微调、强化学习上做文章，但大多还是围着最终输出转。SAGE 提醒我们：到了深层，模型更多在处理“整段代码在做什么”，真正和漏洞有关的细小线索反而会越来越弱。论文的分析显示，在深层里，漏洞信号占比甚至不到总激活强度的 5%。这说明问题未必是模型不会推理，而是有用信息没被保留下来。

SAGE 的好处就在这里。它像是在模型中间加了一个“筛子”：把和漏洞无关但很强的普通语义过滤掉，把真正关键但很弱的异常特征提出来。论文结果也说明，不少基线方法在新数据上会出现“高召回、低精度”的问题，说白了就是什么都怀疑有漏洞，误报很多；而 SAGE 虽然没有一味追求高召回，却能明显提高精度和 MCC，这对实际安全检测更有意义。