文章总结： 本文针对传统代码审计存在的函数级近视问题，提出一种基于上下文感知推理的自动化审计框架。该方案通过语义去噪压缩无关代码，结合静态分析与LLM评分提取关键上下文，构建具有逻辑引导性的推理链条。文章以IDOR越权漏洞为例，展示了如何利用定制化Prompt引导模型识别身份与资源绑定缺失，生成包含漏洞判定与修复建议的白盒化推理轨迹，有效降低了误报率并提升了审计结果的可解释性与可操作性。
综合评分： 88
文章分类： 代码审计,AI安全,漏洞分析,安全工具

基于上下文感知推理的自动化代码审计

原创

比心皮卡丘
比心皮卡丘

暴暴的皮卡丘

2026年2月12日 12:11
湖南

一、引言：代码审计中的“隧道视野”难题

在现代代码审计（SAST）中，基于 AI 的漏洞检测已成为主流。然而，许多安全从业者发现，AI 模型往往在简单的缓冲区溢出上表现惊人，却对复杂的逻辑漏洞束手无策。

核心原因在于函数级近视。大多数工具将单个函数作为孤立的输入。但在真实生产环境中，漏洞往往跨越多个层级：

• 污点源（Source）可能位于调用者（Caller）中。
• 触发点（Sink）可能深藏在被调用的子函数（Callee）里。
• 全局变量的状态决定了某些逻辑分支是否真的可达。

为了解决这一痛点，我们提出了一套上下文感知推理（Context-Aware Reasoning）框架，将审计逻辑从简单的“特征匹配”升维至“全路径推演”

二、核心架构：从“代码分类”到“结构化推理”

这套方案不再是简单地将代码塞进模型，而是通过两个核心阶段实现升维打击：

• 语义去噪与压缩（Semantic Denoising & Compression）： 面对长达数万行的代码基，直接拼接上下文会导致 LLM 性能下降及费用激增。我们利用静态分析（如代码属性图 CPG）提取潜在关联函数，并引入“LLM 画像师”进行语义评分，剔除无关的冗余代码。
• 生成式推理轨迹（Reasoning Trace）： 最终检测不再输出简单的二进制标签（0/1），而是生成一段包含逻辑链条的推理轨迹。这种“白盒化”的输出，极大地提升了审计结果的可信度。

技术架构展示

三、核心技术实现

为了让这套理论落地，我们可以通过以下 Python 框架模拟其实际运行逻辑。

3.1 跨过程上下文画像 (Context Profiler)

该阶段的核心是利用语义评估来压缩输入，解决 LLM 处理长代码时的窗口溢出和噪声干扰问题。这一步的难点在于如何从成百上千个相关函数中，精准识别出“对漏洞判定有关键影响”的代码。

import jsonfrom enum import Enumfrom typing import List, Dict, Optionalclass ContextType(Enum):    CALLER = “caller”    # 上游调用方，可能包含污染源    CALLEE = “callee”    # 下游被调用方，可能包含敏感Sink    GLOBAL = “global”    # 全局变量定义或初始化配置class CodeNode:    “””封装静态分析提取出的基础信息”””    def init(self, funcname: str, code: str, category: ContextType):        self.funcname = funcname        self.code = code        self.category = categoryclass ContextProfiler:    “””上下文画像器：负责语义过滤”””    def init(self, scoringmodel):        self.model = scoringmodel    def extractcriticalcontext(self, targetcode: str, rawcontexts: List[CodeNode]) -> List[CodeNode]:        “””        利用轻量化模型对每个上下文节点进行打分        “””        refinedlist = []        for ctx in rawcontexts:            # 内部逻辑：评估该上下文是否包含数据流传递关系或权限校验逻辑            relevancescore = self.computescore(targetcode, ctx)            # 仅保留贡献度高的上下文，例如得分 > 0.75            if relevancescore > 0.75:                refinedlist.append(ctx)        return refinedlist    def computescore(self, target, ctx):        # 实际应用中，这里通过 Prompt 让 LLM 判断：        # “这个函数是否修改了传入目标函数的参数？” 或 “它是否决定了目标函数的执行条件？”        # 模拟：识别到输入源或敏感操作则给高分        if “request.get” in ctx.code or “execute_query” in ctx.code:            return 0.9        return 0.1

3.2 链条重组与 Prompt 工程

在完成去噪后，我们需要将筛选出的“代码切片”按照逻辑顺序组织起来。不同于散乱的代码块，有序的输入能引导模型进行线性推理。

def buildreasoningprompt(targetfunccode: str, selectedcontexts: List[CodeNode]) -> str:    “””    将分散的上下文重组成具有逻辑引导性的推理提示词    “””    contextblocks = []    for ctx in selectedcontexts:        block = f”### {ctx.category.value.upper()}: {ctx.funcname}\n\n{ctx.code}\n”        contextblocks.append(block)    fullcontext = “\n\n”.join(contextblocks)    prompt = f”””    [Task] Analyze the ‘Target Function’ for security vulnerabilities using the provided ‘Context’.    [Context Information]    {fullcontext}    [Target Function]    {targetfunccode}    [Requirement]     1. Perform a Step-by-Step Data Flow Analysis.    2. Identify if any untrusted input from CALLER reaches a dangerous Sink in TARGET or CALLEE.    3. If a vulnerability exists, output the Reasoning Trace and CWE ID.    “””    return prompt

3.3 深度推理引擎 (Reasoning & Detection)

最后，通过具备推理能力的 LLM 执行检测。这一过程模拟了人类专家“顺藤摸瓜”的过程。

class InterProceduralAnalyzer:    def analyze(self, targetcode, rawrelatedcodes):        # 1. 画像去噪        profiler = ContextProfiler(scoringmodel=”gpt-4o-mini”)        criticalnodes = profiler.extractcriticalcontext(targetcode, rawrelatedcodes)        # 2. 构造推理 Prompt        finalprompt = buildreasoningprompt(targetcode, criticalnodes)        # 3. 获取推理结果        # 期望模型输出：分析过程 -> 判定结果 -> CWE编号        print(“[*] 正在进行跨过程逻辑推演…”)        analysisreport = self.callreasoningllm(finalprompt)        return analysisreport    def callreasoningllm(self, prompt):        # 模拟模型输出的结构化分析        return {            “trace”: [                “Step 1: In ‘UserController.java’, user input ‘id’ is read from URL without filtering.”,                “Step 2: The ‘id’ is passed to ‘DBUtils.query()’ in the target function.”,                “Step 3: ‘DBUtils.query()’ performs string concatenation for SQL, leading to Injection.”            ],            “verdict”: “VULNERABLE”,            “cwe”: “CWE-89”        }

四、越权逻辑漏洞检测举例

4.1 跨过程上下文画像 (Context Profiling)

在处理 ID 越权时，我们需要同时提取“资源获取”和“身份认证”两个维度的上下文。

from enum import Enumfrom typing import Listclass ContextType(Enum):    CALLER = “caller”    # 入口 Controller，通常包含 Session 校验    CALLEE = “callee”    # 底层 DAO 层，涉及数据库查询逻辑    AUTHUTIL = “auth”   # 权限工具类class ContextProfiler:    “””上下文画像器：识别与权限/身份相关的核心代码”””    def extractcriticalcontext(self, targetcode: str, rawcontexts: List[dict]) -> List[dict]:        refinedlist = []        for ctx in rawcontexts:            # 强化逻辑：搜索 session、loginUser、permission、owner 等关键词            relevancescore = self.analyzesecurityrelevance(ctx[‘code’])            if relevancescore > 0.8:                refinedlist.append(ctx)        return refinedlist    def analyzesecurityrelevance(self, code: str) -> float:        keywords = [“session”, “getcurrentuser”, “identity”, “owner”, “checkpermission”]        score = 0.0        for word in keywords:            if word in code.lower(): score += 0.3        return min(score, 1.0)

4.2 针对 IDOR 漏洞的专属推理 Prompt 定制

这是本方案的灵魂。针对越权漏洞，我们需要引导模型关注“身份标识符”的流转。

def buildidorreasoningprompt(targetfunc: str, selectedcontexts: List[dict]) -> str:    “””    定制化 Prompt：引导模型进行身份与资源的绑定推演    “””    contextstr = “\n”.join([f”[{c[‘type’]}] {c[‘name’]}:\n{c[‘code’]}” for c in selectedcontexts])    prompt = f”””    # Role: Senior Application Security Expert    # Task: Evaluate the ‘Target Function’ for IDOR (Insecure Direct Object Reference) vulnerabilities.    # Context (Caller/Identity Providers):    {contextstr}    # Target Function (Resource Access):    {targetfunc}    # Reasoning Logic Requirements:    1. Identify Identity Source: Find where the user identity (e.g., currentuserid) comes from. Is it from a trusted Session or an untrusted Request parameter?    2. Identify Resource Identifier: Find the ID used to fetch the resource (e.g., orderid, userid).    3. Check Binding/Ownership: Analyze if there is a logic that checks if the ‘Identity Source’ OWNS the ‘Resource Identifier’.     4. Trace the Flow: If the code directly fetches data using a request parameter without comparing it against the session-based user ID, it is a VULNERABILITY.    # Output Format:    – Reasoning Trace: (Step-by-step logic)    – Verdict: (VULNERABLE / SAFE)    – Remediation: (Short advice)    “””    return prompt4.3 深度推理引擎执行class InterProceduralAnalyzer:    def analyzevulnerability(self, targetcode, rawcontext):        # 1. 画像去噪：保留权限相关的 Caller        profiler = ContextProfiler()        criticalcontext = profiler.extractcriticalcontext(targetcode, rawcontext)        # 2. 构造 IDOR 专用推理指令        finalprompt = buildidorreasoningprompt(targetcode, criticalcontext)        # 3. 模拟推理引擎输出        return self.mockllmresponse()    def mockllmresponse(self):        return {            “reasoningtrace”: [                “Step 1: The Caller ‘OrderController’ retrieves ‘userId’ directly from @RequestParam, which is user-controllable.”,                “Step 2: The Caller also has access to ‘session.getLoggedInUser()’, but this is NOT used for validation.”,                “Step 3: The Target Function ‘fetchOrderDetails’ uses the untrusted ‘userId’ to query the database.”,                “Conclusion: Any logged-in user can change the ‘userId’ parameter to view orders belonging to other users.”            ],            “verdict”: “VULNERABLE (IDOR / CWE-639)”,            “remediation”: “Add a check: if (order.getOwnerId() != session.getUserId()) throw AccessDeniedException;”        }

4.4 阐述

1. #### 弥补语义鸿沟

传统 SAST 很难理解 userId（请求参数）和 currentUserId（会话参数）之间的语义区别。通过 Context-Aware Reasoning，我们将两者的来源（Context）同时呈现给模型，LLM 能够利用预训练的知识识别出这是一种“身份隔离”的缺失。

2. #### 结构化证据链

在 IDOR 审计中，最难的是证明“没做某事”（没有做权限校验）。推理轨迹强制模型去寻找校验逻辑：

• 如果找到了：模型会列出校验步骤，判定为 SAFE，减少误报。
• 如果没找到：模型会记录数据流路径，判定为 VULNERABLE，并提供清晰的修复建议。

五、优化特点

5.1 解决上下文爆炸问题

传统工具通常基于“跳数”（如只看 3 层以内调用）来限制范围，但这会导致远端关键的“全局过滤逻辑”被截断。我们的**语义画像（Profiling）**机制不受物理距离限制，只看逻辑关联。

5.2 显式推理链 (Reasoning Chain) 的力量

传统的分类模型只给一个概率分，这对于安全审计来说是“黑盒”。通过强制输出Reasoning Trace：

• 低误报率：模型必须自圆其说。如果推理逻辑不通，模型往往会修正自己的判断。
• 易于验证：安全分析师只需花几秒钟扫描推理步骤，即可确认漏洞是否属实，极大地缩短了响应时间。

六、总结

代码安全审计的未来不再是简单的正则表达式匹配，而是深度理解程序的逻辑架构。通过引入跨过程的上下文感知与生成式推理，我们能够让 AI 像资深审计专家一样，在复杂的调用森林中精准捕捉那一丝隐秘的安全风险。

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：暴暴的皮卡丘 比心皮卡丘
比心皮卡丘《基于上下文感知推理的自动化代码审计》