文章总结： 本文介绍Atlantis系统，作为AIxCC冠军，通过多智能体协同架构融合模糊测试、符号执行与大语言模型，实现漏洞发现、补丁生成与SARIF分析闭环，漏洞发现率61%，准确率91.27%。其创新在于将大语言模型深度嵌入漏洞挖掘各环节，但系统复杂度高、资源消耗大，未来安全自动化将向机器主导、人类监督的智能体时代发展。
综合评分： 85
文章分类： ai安全,漏洞分析,安全工具,安全开发,红队
大模型驱动自动化漏洞挖掘与威胁研判系统
原创
刘晔
刘晔
信息网络安全杂志
2026年9月21日 18:00
上海
在小说阅读器读本章
去阅读
在公众号小说中沉浸阅读
引子：随着开源软件规模持续增长，传统依赖人工分析的漏洞挖掘与修复方式已经难以满足现实需求。美国国防部发起的AI Cyber Challenge（AIxCC）试图利用大语言模型构建全自动 Cyber Reasoning System（CRS），实现漏洞发现、漏洞验证和自动修复的闭环。作为 AIxCC 冠军系统，ATLANTIS 不仅成功发现了决赛中 70 个漏洞中的 43 个，还在自动补丁生成、SARIF报告分析和漏洞归因等方面取得显著优势。与传统漏洞挖掘系统相比，ATLANTIS 的最大特点并非简单地“将 大语言模型 接入模糊测试器”，而是构建了一个大规模、多模块、多智能体协同的自动化安全分析平台，将模糊测试、符号执行、静态分析、程序修复以及 大语言模型 Agent 深度融合，展示了 AI 驱动软件安全自动化的新范式。
速览：ATLANTIS 的整体架构围绕 AIxCC 的三项核心任务展开：自动发现漏洞并生成 PoV（Proof-of-Vulnerability）；自动生成漏洞补丁；和自动分析 SARIF 静态分析报告。系统采用 Kubernetes云原生架构，在 Azure 上动态调度资源，支持同时处理多个挑战项目。在漏洞发现阶段，系统融合：（1）多模糊器协同测试；（2）有引导的模糊测试；（3）Concolic Execution；（3）大语言模型驱动输入生成；（4）自动 Harness 构造。在补丁生成阶段，系统构建了多个专用 Agent，分别负责漏洞定位、根因分析、代码检索、属性推理与补丁生成。最终，ATLANTIS 以 392.76 分获得 AIxCC 冠军，显著领先第二名 Trail of Bits 的 219.35 分。其漏洞发现率达到 61%，准确率达到 91.27%。
深度解剖：（1）从“单一工具”到“安全智能体生态系统”： ATLANTIS 最重要的创新并非某个具体算法，而是将漏洞发现流程拆解为多个自治 Agent，并通过统一调度框架协同工作。传统漏洞挖掘工具通常遵循“输入 → 模糊器 → Crash”的线性流程。而 ATLANTIS 则构建了：“项目理解 → Harness 构建 → 输入生成 → 有引导的模糊测试→ 符号执行 → PoV 构造 → 根因分析 → 补丁生成“的闭环智能体流水线。这一设计反映了当前 Agentic AI 在软件工程领域的重要发展趋势。（2）将 大语言模型 深度嵌入漏洞挖掘过程：许多现有工作仅使用 大语言模型 进行漏洞分类或代码解释，而 ATLANTIS 则将 大语言模型 用于多个关键环节：输入种子生成；Harness 逆向构造；调用链分析；Bug 候选推断；根因分析。特别是在无 Harness 场景中，系统提出Harness Reverser和 TestLang框架，通过 大语言模型 自动理解 API 调用关系并构造测试入口。显著提高了自动化程度。（3）漏洞发现与自动修复的统一闭环：AIxCC 不仅要求发现漏洞，还要求自动修复漏洞。ATLANTIS 的补丁模块构建了完整的：Vulnerability → Root Cause → Property → Patch推理链。例如：MULTIRETRIEVAL 负责检索相关代码上下文；VINCENT 分析漏洞根因；PRISM 维护状态与推理过程；MARTIAN 负责补丁生成。相比传统 APR（Automated Program Repair）方法依赖模板匹配，ATLANTIS 更接近“软件工程师”的思考方式。这一方向与近年来CodeX, Claude Code 等 Agent-based 软件工程系统高度一致。
局限：尽管ATLANTIS 展现出当前自动化安全分析的最高水平，但仍存在若干局限。其一：系统复杂度极高， 包含数十个子模块与多个 Agent。这种架构虽然性能优秀，但：开发成本极高；维护难度大；工业界难以完整复现。实际上，其成功很大程度依赖于强大的研究团队和巨额资源投入。其二：对计算资源高度依赖，决赛期间，ATLANTIS 消耗：Azure 资源约 7.39 万美元；大语言模型 费用约 2.94 万美元；超过 4 Billion 输入 Token。这种资源消耗远超普通企业或安全团队能够承担的范围。因此其实际部署成本仍然较高。其三：漏洞发现仍高度依赖覆盖率驱动，虽然引入了大量 Agent 和符号执行技术，但 ATLANTIS 的核心仍基于模糊测试或有引导的模糊测试方法，建立在高质量Harness构建的基础上。对于通用的逻辑漏洞如设计缺陷、权限配置错误等深层语义安全问题，其能力仍有待验证。
启示：ATLANTIS 的成功具有重要标志意义。首先，它证明了自动化漏洞发现已经从“辅助分析工具”进入“自主安全智能体”阶段。未来安全工具的发展方向可能不再是单个 模糊器 或单个分析器，而是由多个 Agent 组成的协同安全系统。其次，它表明未来软件安全研究的重要方向将是“大语言模型 – 程序分析- Autonomous Agents”三者的深度融合。单纯依赖 大语言模型 幻觉风险过高，单纯依赖程序分析又难以扩展，而二者结合能够兼顾语义理解能力与形式化推理能力。第三，ATLANTIS 展示了 AI 在漏洞修复领域的巨大潜力。相比过去聚焦漏洞检测的研究，自动补丁生成正在成为新的竞争焦点。未来 CRS 系统的评价标准可能从“发现多少漏洞”逐步转向“发现并修复多少漏洞”。更广泛地看，AIxCC标志着网络空间安全正在从“人机协作时代”迈向“机器主导、人类监督时代”。未来的软件供应链安全、开源生态安全以及关键基础设施防护，都可能建立在此类自动化安全智能体之上。
点评专家：刘晔（北京理工大学 教授）
原文标题：
Rethinking Unsupervised Graph Anomaly Detection with Deep Learning: Residuals and Objectives
技术报告：
AIxCC Final Competition Winning System Report
原文作者：
Team Atlanta（Georgia Institute of Technology、KAIST、POSTECH、Samsung Research 等机构联合团队）
版权与来源声明：本文依据《中华人民共和国著作权法》第二十四条之规定，为介绍、评选之目的，在此适当引用。原文版权归原作者所有。
信息网络安全
《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。
中文核心期刊
中国科技核心期刊
中国科学引文数据库来源期刊
CCF计算领域高质量科技期刊
我们在不断努力和完善中，期待您的关注和支持！
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：信息网络安全杂志 刘晔
刘晔《大模型驱动自动化漏洞挖掘与威胁研判系统》