VulnLens usa explicações estruturadas geradas por LLM para melhorar detecção supervisionada de vulnerabilidades
Pesquisadores apresentam o VulnLens, um framework de detecção de vulnerabilidades em binários C/C++ que separa a análise de comportamento do código, feita por um LLM que não recebe rótulos de vulnerabilidade, da decisão final de classificação, feita por um detector supervisionado treinado com cross-attention. O LLM examina cada função sob sete perspectivas fixas (fluxo de dados, acesso à memória, tempo de vida de objetos, aritmética e tipos, fluxo de controle, estado compartilhado e acesso a recursos externos), e o sistema supera modelos de propósito geral como DeepSeek V4 Pro e Gemini 2.5 Pro tanto no conjunto de teste PrimeVul quanto na transferência para o SecVulEval sem retreinamento.
O problema que o VulnLens ataca é conhecido por quem trabalha com detecção automatizada de vulnerabilidades: ferramentas baseadas em regras pré-definidas são frágeis a variações de código, modelos que aprendem padrões implicitamente a partir de rótulos tendem a memorizar características superficiais do dataset em vez de semântica de vulnerabilidade real, e usar um LLM diretamente para o julgamento final de 'vulnerável ou não' produz decisões pouco explicáveis e difíceis de auditar.
A proposta técnica central é desacoplar análise de decisão. Um 'Explainer' baseado em LLM, que nunca recebe rótulos de vulnerabilidade nem informação de CWE (ou seja, é 'cego a rótulos'), examina cada função a partir de sete perspectivas fixas e pré-definidas — fluxo de dados, acesso à memória, ciclo de vida de objetos, comportamento aritmético e de tipos, fluxo de controle, estado compartilhado e acesso a recursos externos — gerando uma explicação estruturada do comportamento do programa. Essas explicações são então combinadas com o código-fonte original por um 'Detector' supervisionado, usando atenção cruzada sequencial, que é quem efetivamente decide se a função é vulnerável.
Os resultados sugerem que esse desacoplamento ajuda de fato: no conjunto de teste PrimeVul (526 funções cobrindo dez categorias de CWE), o VulnLens atinge 75,5% de acurácia e 77,2% de F1, superando o DeepSeek V4 Pro em 4,2 pontos de acurácia e o Gemini 2.5 Pro em 2,2 pontos de F1; e as explicações pareadas melhoram o F1 em 7,3 pontos frente a um detector treinado apenas com código, isolando a contribuição específica da camada de explicação. A transferência para o SecVulEval sem qualquer re-treinamento, com ganhos ainda maiores sobre os baselines de propósito geral, indica que o sinal capturado pelas explicações generaliza melhor entre datasets do que padrões aprendidos diretamente de rótulos.
Na prática, o valor do trabalho está em oferecer um meio-termo entre precisão e explicabilidade para equipes de segurança que avaliam código legado ou de terceiros: em vez de confiar ciegamente em um veredito binário de um LLM generalista, a abordagem produz uma cadeia de raciocínio estruturada e auditável por humanos antes da decisão final, o que é especialmente valioso em triagem de vulnerabilidades em escala, onde analistas precisam justificar por que um achado é ou não prioritário, e não apenas receber um score sem contexto.