Fora da Vista, Fora da Mente: Melhor Reparação Automática de Vulnerabilidades ao Ampliar Faixas e Fontes de Entrada

Os avanços do aprendizado profundo (DL) abriram caminho para abordagens automáticas de reparo de vulnerabilidades de software, que aprendem efetivamente o mapeamento do código vulnerável para o código corrigido. No entanto, os métodos de reparo de vulnerabilidades baseados em DL existentes enfrentam limitações notáveis: 1) eles têm dificuldades para lidar com códigos vulneráveis longos, 2) tratam o código como textos em linguagem natural, negligenciando sua estrutura inerente, e 3) não aproveitam o valioso conhecimento especializado presente no sistema especialista. Para abordar isso, propomos o VulMaster, um modelo de rede neural baseado em Transformer que se destaca em gerar reparos de vulnerabilidades ao compreender de forma abrangente todo o código vulnerável, independentemente de seu comprimento. Este modelo também integra informações diversas, abrangendo estruturas de código vulneráveis e conhecimento especializado do sistema CWE. Avaliamos o VulMaster em um conjunto de dados real de reparo de vulnerabilidades C/C++ que compreende 1.754 projetos com 5.800 funções vulneráveis. Os resultados experimentais demonstraram que o VulMaster apresenta melhorias substanciais em comparação com a abordagem de reparo de vulnerabilidades de última geração baseada em aprendizado. Especificamente, o VulMaster melhora as pontuações de EM, BLEU e CodeBLEU de 10,2% para 20,0%, de 21,3% para 29,3% e de 32,5% para 40,9%, respectivamente.