AI 辅助代码审计挖 0day:用 LLM 读完 10 万行代码的方法
黑白之道
2026年11月15日 08:59
韩国
去阅读
以下文章来源于船山信安
,作者夜游神
船山信安
.
船山院士网络安全团队唯一公众号,为国之安全而奋斗,为信息安全而发声!
AI安全 · AUDIT
AI 辅助代码审计挖 0day:用 LLM 读完 10 万行代码的方法
0day 不靠运气,靠把代码读透。这篇讲我用 LLM 做代码审计的流水线,以及一个公开已修复漏洞是怎么被模型从源码里揪出来的。
重点不是「AI 多神」,而是「人怎么把 AI 用对」。
教学示例使用已公开且已修复的历史漏洞,仅用于说明审计方法;不涉及任何未修复系统的可利用细节。
0101 为什么 LLM 适合做初筛
人读 10 万行会累、会漏;LLM 不会累,但会「不懂上下文」。所以定位是:LLM 做广撒网的初筛,人做深度确认。
1LLM 强项:单函数内的明显缺陷、已知坏味道、硬编码凭据、危险函数调用。
2LLM 弱项:跨文件数据流、业务逻辑、依赖配置——这些必须人补位。
把「初筛交给模型、确认留给人」写进流程,能同时拿到速度和准度,也避免模型一次性下错误结论。
0202 切分与上下文:别整仓硬喂
直接把整个仓库丢给模型,大概率超限且噪声大。我的做法是先按调用关系切函数级片段,再带上「它属于哪个模块、谁调用它」的上下文。
用 ctags / 静态分析抽函数级片段
ctags -R --fields=+n src/
每个片段附带:所在文件、调用者、被调用者
上下文决定质量:同一段代码,只给函数体,模型容易误判;带上「调用方传了什么、返回给谁」,模型的判断会稳很多。
0303 审计 prompt 模板(可复用)
给模型的指令要具体:不是「找漏洞」,而是「检查这段代码是否存在未校验的用户输入进入 SQL/命令/反序列化,给出触发路径」。
你是一名代码审计员。请检查以下片段:
1) 是否存在未经验证的外部输入进入危险函数;
2) 若有,给出从输入到危险的完整数据流;
3) 只给证据,不给猜测;不确定就写「需人工确认」。
0404 教学案例:一个被模型揪出的历史洞
以某开源框架一个已修复的反序列化漏洞为例:模型在初筛时标出「一处用户输入进了 readObject 的调用链」。人确认后发现,该路径在特定配置下确实可达,于是按负责任披露流程报给厂商,厂商修复并致谢。
值得强调:模型只负责「这一处有嫌疑」,真正成立需要人验证「配置是否默认开启、入口是否可达、触发条件是否齐备」。三者任一不满足,就只是理论上可疑。
真正有价值的不是「模型发现了洞」,而是「人和模型配合,把一条容易被忽略的数据流讲清楚了」。审计是协作,不是甩给模型。
0505 局限与人工复核
LLM 会漏掉三类洞(详见同系列《AI 代码审计的三个盲区》)。所以初筛结果必须人工过一遍:重点看业务逻辑、跨文件流、配置相关项。模型给的是线索,不是结论。
我的习惯是给每条模型结论打标签:确认 / 需复核 / 误报。只有「确认」和经过复核的「需复核」进报告,「误报」单独归档,方便下次调 prompt。
参考来源
OWASP Code Review Guide
MITRE CWE — Top 25 / Improper Input Validation (CWE-20)
该历史漏洞厂商公告与修复提交(教学演示用,已修复)
本文为 AI 辅助代码审计的方法论分享。教学示例均基于已公开且已修复的历史漏洞,不涉及任何未修复系统的可利用细节或完整利用链。
版权声明
本站仅做备份收录,仅供研究与教学参考之用。
读者将信息用于其他用途的,全部法律及连带责任由读者自行承担,本站不承担任何责任。










评论