DREA:面向python仓库级漏洞检测的解耦推理探索智能体框架
# 面向仓库级漏洞检测的解耦推理探索智能体框架DREA技术解读
## 文献基础信息
文献来源：arXiv预印本论文《DREA: Decoupled Reasoning and Exploration Agents for Repository-Level Vulnerability Detection》，编号arXiv:2607.13439，发布时间2026年7月https://arxiv.org/pdf/2607.13439
## 作者机构背景
本文研究团队隶属于**中国科学院信息工程研究所**，同时依托**中国科学院大学网络空间安全学院**开展研究。中科院信工所是国内网络空间安全领域国家级科研机构，长期聚焦软件安全、智能化漏洞挖掘、程序分析、大模型安全评测等核心方向，承担多项国家级网络安全专项课题；国科大网安学院配套完整的硕博人才培养体系，围绕AI赋能代码审计、源代码漏洞自动化检测形成持续研究路线，团队过往成果覆盖漏洞根因分析、大模型代码语义理解、仓库级程序静态分析等前沿领域，具备真实CVE漏洞数据集构建、多智能体代码分析系统落地的完整工程与实验能力。## 一、现有LLM漏洞检测方案核心痛点
当前主流基于大语言模型的漏洞检测工具，全部采用**孤立函数分析**模式：仅输入目标函数代码，或通过固定规则（固定调用链、预设依赖片段）提取少量上下文完成漏洞判断，存在三大无法规避的工程缺陷：1.真实漏洞具备跨文件/跨函数依赖特征
大量Web、Python项目漏洞的根因不在单个函数内，权限校验、数据清洗、全局策略、跨模块数据流分布在仓库不同文件，固定规则无法自适应检索缺失证据，直接导致漏报。2.静态上下文检索无目标导向
传统RAG、上下文扩充方案不区分待分析漏洞类型，对所有代码片段执行无差别检索，检索内容与当前漏洞假设无关，引入大量噪声干扰模型判断。3.全大模型检索成本极高
仓库级代码遍历、文件读取、全局搜索会产生百万级Token消耗，全部通过付费API大模型执行会带来极高调用成本，无法落地大规模代码审计场景。### 真实漏洞案例佐证：CVE-2021-43781权限绕过漏洞
该漏洞来自Python开源项目invenio-drafts-resources，完美诠释单函数分析失效问题：1.漏洞版本代码表象
发布接口publish函数内调用权限校验方法`require_permission(identity, "publish")`，仅从当前函数代码观察，模型会判定存在权限校验、代码安全；但这段校验**未绑定当前操作的draft对象**，仅校验全局发布权限，攻击者可通过可控id读取任意草稿并发布。2.仓库级隐藏证据（必须跨文件检索）
- 项目内其他接口（读取、编辑、删除草稿）全部在权限校验时传入
record=draft，绑定具体草稿对象； - 项目默认发布权限策略允许任意用户，全局校验无对象隔离能力；
3.修复逻辑
补丁版本在调用校验接口时增加`record=draft`参数，将权限校验绑定到当前待发布草稿。仅依靠单函数代码完全无法发现权限绕过风险，必须主动遍历仓库、对比同类接口、读取全局权限配置，这也是DREA框架设计的核心驱动场景。## 二、DREA整体架构与双智能体解耦核心设计
DREA全称解耦推理与探索智能体，采用**假设驱动式仓库上下文采集**思路，将漏洞分析拆分为两个独立、协同工作的智能体，把高消耗的代码检索任务离线轻量化执行，仅让昂贵大模型专注安全推理，整体流程分为循环迭代探索、最终漏洞判定两大阶段。### 2.1 Planner规划智能体（高能力推理大模型）
承载全部安全逻辑推理，是整个框架的决策核心，可选用GPT-5.2、DeepSeek-V3.2、GLM-4.7等主流强代码理解LLM，核心工作流程：- 输入目标函数、漏洞基础元数据（CWE、提交记录、代码Diff），生成初始漏洞假设；
- 根据当前漏洞假设，生成定向仓库检索指令（如“查找所有同名权限校验调用”“读取全局权限配置文件”“追溯该函数所有调用方”）；
- 接收Explorer返回的仓库检索结果，更新漏洞假设，判断现有证据是否足以判定漏洞；
- 证据充足则输出最终判定（存在漏洞/安全），附带完整漏洞触发链路；证据不足则继续下发检索指令，循环迭代。
判定输出有严格规范：标记为漏洞时必须完整描述攻击者可控输入到危险操作的完整利用链路；判定安全时必须说明完整防护校验逻辑。### 2.2 Explorer探索智能体（本地轻量化模型）
部署在本地GPU（论文使用4bit量化GLM-4.7-Flash，单张A800即可运行），仅负责仓库代码检索，不做任何漏洞判断，配套4个只读文件操作工具：ls遍历目录、glob模糊匹配文件、grep全局代码检索、read_file读取源码。检索结果统一结构化输出三类信息，供Planner推理使用：- **仓库上下文**：目标函数所属模块、跨文件调用关系、项目数据结构、执行流程，帮助Planner规划下一轮检索方向；
- **代码证据**：匹配到的关键代码片段、校验逻辑、参数定义，作为漏洞判断的直接事实依据；
- **安全观测线索**：检索发现的异常特征，如缺失校验、权限逻辑不一致、可疑数据流，仅作为线索，不输出漏洞结论。
### 2.3 双智能体迭代交互流程
- 初始化：Planner读取待检测函数，生成初始漏洞猜想；
- 循环检索（上限为预设交互轮次，实验平均每样本10轮交互）：Planner下发检索需求→Explorer遍历仓库返回结构化代码线索→Planner结合新线索更新漏洞假设；
- 终止条件：Planner判定现有证据足够支撑结论，跳出循环；
### 2.4 解耦设计两大核心价值
1.大幅降低API调用成本
仓库检索产生93.7%~97.9%的Token全部由本地轻量模型承载，仅2%~6%的Token走付费大模型API，相比单一大模型完成全流程检索，API成本降低16~48倍；2.规避上下文过载噪声
单智能体方案会一次性读取海量无关代码，大量冗余上下文干扰模型推理；双智能体模式由Explorer过滤、结构化整理代码证据，仅推送和当前漏洞假设相关内容给Planner，减少无效信息干扰。## 三、配套评测体系：数据集与推理正确性评估指标
现有漏洞检测数据集仅提供孤立代码片段，无法支撑仓库级自适应检索方案评测，论文同步构建专属基准与全新诊断评估方法，解决传统二分类指标无法衡量模型真实理解能力的缺陷。### 3.1 RepoPairBench仓库级Python漏洞基准数据集
数据集面向2021-2025年真实Python开源项目漏洞，从NVD漏洞库提取CVE修复提交记录，经严格过滤后得到100组漏洞-补丁配对样本，总计200份代码实例，覆盖48类CWE漏洞类型：- 每组样本包含三类完整数据：漏洞版本函数、修复后安全函数、可完整复现的仓库Git快照地址与提交哈希；
- 过滤规则：仅保留单函数修改提交，剔除新增/删除文件、新增函数的提交，保证漏洞根因完全集中在目标函数；
- 主流漏洞类型覆盖：XSS、路径遍历、反序列化、命令注入、权限缺失等Web高频漏洞，其中访问控制缺失类漏洞检测难度最高。
评测规则：成对判定指标Pair-Correctness要求**漏洞函数标记为脆弱、补丁函数标记为安全**才算一组样本判定正确，规避单纯召回率虚高、大量误报的评估偏差。### 3.2 推理正确性评估与Lucky Hit（幸运命中）概念
传统召回、F1、准确率仅能判断标签是否正确，无法区分两种完全不同的检测结果：模型真正理解漏洞根因、模型靠随机猜测/无关理由蒙对标签，论文提出基于LLM-as-a-Judge的诊断评估方案：- 自动化裁判模型输入：CVE漏洞描述、修复提交日志、漏洞代码Diff、CWE类型、模型输出的推理文本；
- 四大评判标准：识别漏洞类型是否匹配CWE、定位漏洞代码是否准确、根因分析是否正确、漏洞利用链路是否符合真实攻击路径；
- Lucky Hit定义：模型标签判定正确（真阳性），但推理解释完全不符合真实漏洞机理，仅靠随机猜测命中结果；
- 量化指标：幸运命中率LHR=幸运命中样本数量÷全部真阳性样本数量，推理准确率RA=1-LHR。
实验数据显示，所有测试大模型均存在大量幸运命中，DREA方案下幸运命中率区间26%~55%，证明**安全推理能力是当前LLM漏洞检测的统一瓶颈**，和是否具备仓库检索能力无关。## 四、核心实验结论与技术有效性分析
实验选用DeepSeek-V3.2、GLM-4.7、GPT-5.2三款主流大模型作为Planner底座，设置四类对照基线：仅函数输入基线、完整文件输入基线、单智能体全流程基线、DREA双智能体方案，从检测精度、成本、漏洞类型适配、推理质量四个维度验证框架效果。### 4.1 检测精度：仓库级主动探索显著提升成对判定准确率
全部三款大模型上，DREA的Pair-Correctness成对正确率均实现大幅提升：- DeepSeek-V3.2：19%提升至42%，提升幅度最大，召回率上涨41个百分点，误报率仅小幅上升；
- GLM-4.7：26%提升至34%，同时降低误报率，能够过滤无效告警；
- GPT-5.2：21%提升至30%，整体判定最保守，误报率最低。
消融实验证明，性能提升来源于**假设驱动的结构化定向检索**，而非单纯增加代码上下文：仅输入完整文件的基线仅提升7个百分点成对正确率，无分层分工的单智能体方案因上下文过载，正确率仅24%，远低于DREA。### 4.2 漏洞类型适配差异：数据流类漏洞效果最优，缺失防护类漏洞存在短板
1.显式数据流漏洞（注入、XSS、代码执行、路径遍历）
存在清晰输入-危险操作链路，代码具备明显语法特征，三类模型成对正确率普遍达到40%~100%，检索后极易定位跨文件数据流；2.缺失防护类漏洞（权限缺失、输入校验遗漏）
需要推理“本该存在但缺失的校验逻辑”，依赖对比仓库内同类接口规范，模型推理难度极高，部分类别正确率低至0~20%，也是幸运命中高发场景。### 4.3 检索Token量与检测效果负相关：推理能力才是核心瓶颈
实验统计检索Token消耗与判定结果的关联，得出反常识结论：检索代码越多，漏洞检测成功率反而越低。漏洞漏报样本的平均检索Token量比正确检出样本高出37%，大量工具调用、海量代码检索无法弥补模型安全推理缺陷。当漏洞机理复杂、模型无法理解根因时，会持续无意义遍历仓库，产生大量无效Token消耗，证明当前技术瓶颈是大模型自身安全逻辑理解能力，而非代码上下文获取渠道。## 五、DREA技术落地价值与行业启发
### 5.1 工程落地价值
1.低成本大规模仓库审计
中小企业、开源安全团队可依托普通GPU部署轻量化Explorer，仅少量推理请求调用付费大模型，实现全仓库自动化代码审计，解决传统Agent方案API成本过高无法批量扫描的痛点；2.贴合人工审计思维流程
复刻安全研究员审计思路：先提出漏洞猜想，再定向追溯跨文件证据，而非一次性读取全部代码，检测逻辑更贴合真实漏洞排查流程；3.提供可诊断的检测结果
通过推理正确性评估区分“真实有效漏洞发现”和“蒙对结果的无效告警”，降低安全工程师人工复核成本，解决现有AI漏洞工具告警可信度低的行业痛点。### 5.2 现有技术局限性与未来优化方向
1.现有局限
数据集仅覆盖Python语言，缺少C/C++等编译型语言验证；部分CWE漏洞子类样本数量少，评估结论存在局限性；轻量Explorer偶尔生成错误工具调用，影响检索证据质量；仅能检测文档记录的CVE漏洞，无法识别仓库内其他未知漏洞。2.未来改进路线
- 架构层面：优化Explorer工具调用精度，增加跨语言解析能力，完善假设迭代更新机制；
- 模型能力层面：针对安全推理做专项微调、引入安全反馈强化学习，强制模型输出基于检索证据的推导逻辑，降低幸运命中比例；
- 评测层面：扩充多语言、更大规模仓库漏洞基准数据集，完善人工交叉校验的推理评估体系。
## 六、总结
DREA是首个实现**推理与仓库探索解耦**的假设驱动型仓库级漏洞检测框架，突破传统单函数、静态上下文检索方案的局限，通过双智能体分工兼顾检测精度与调用成本。论文同时提出全新成对漏洞基准RepoPairBench和推理正确性评估方法，指出当前大模型漏洞检测的核心短板并非上下文获取能力，而是底层安全逻辑推理缺陷。该框架为企业级大规模源代码安全审计提供了低成本、可落地的Agent技术方案，也为后续大模型安全检测评测体系完善提供了标准化思路。
10个月宝宝每天需要喝多少奶粉？
