Steven数据漫谈 |EP4| - AI能揪出代码里的隐藏风险吗？🤖💻 大语言模型 对战 软件漏洞！(嘉宾: Astrid)

AI能揪出代码里的隐藏风险吗？🤖💻 大语言模型 对战 软件漏洞！(嘉宾: Astrid)想知道像大语言模型（LLM）这样的前沿AI技术如何革新软件安全领域吗？在本期《Steven数据漫谈》播客中，我们邀请到了来自伦敦大学学院（UCL）的专家Astrid，她专注于研究如何利用LLM检测代码漏洞。加入我们，一起客观探讨：新前沿： 基于LLM的漏洞检测与传统的机器学习方法（如使用NLP或图神经网络）有何不同。LLM优势： 探索零样本/少样本学习、灵活性以及对新型、未知威胁的泛化潜力。微调是关键： 为什么预训练模型通常需要在特定的漏洞数据（常来自GitHub等开源社区）上进行微调。当前挑战： 精度、可解释性（安全领域的关键！）、处理复杂代码库的难题，以及LLM在处理非源码（如二进制、中间表示）方面的局限性。混合动力： 如何将LLM与传统程序分析技术（如程序切片、污点分析）相结合，开辟充满希望的新路径。AI智能体角色： 探讨使用多智能体系统进行复杂代码分析的潜力（及当前面临的困难）。真实研究案例： Astrid分享了她最新的研究成果——利用LLM和程序切片进行安卓恶意软件分析，这是一种处理庞大复杂应用程序的新颖方法！无论您是开发者、安全专家、AI爱好者，还是仅仅对代码安全的未来感到好奇，这次讨论都将为您带来宝贵的见解！内容概要时间线:00:00:00 - 嘉宾介绍 (Astrid) 与研究领域 (大模型用于代码漏洞检测)00:00:30 - 大模型与传统检测方法的区别00:01:44 - 大模型微调与数据来源 (开源 vs. 闭源)00:02:51 - 主要挑战：检测精度与结果可解释性00:05:06 - 大模型泛化能力 vs. 准确性的权衡与应对新威胁00:06:21 - 传统代码分析技术回顾 (机器学习, 图神经网络, NLP)00:08:31 - 多模态与AI智能体方法的潜力00:10:31 - 结合大模型与传统程序分析工具 (工作流创新)00:12:24 - 大模型处理非源码表示的局限性00:13:17 - 嘉宾研究分享 (Astrid)：结合大模型与程序切片分析安卓恶意软件00:15:01 - 程序切片技术详解00:16:21 - 总结与结束语喜欢这次讨论吗？👍 订阅《Steven数据漫谈》获取更多深度内容！在评论区分享您的想法吧！👇#大语言模型 #软件安全 #代码漏洞 #人工智能 #网络安全 #程序分析 #机器学习 #数据科学 #Steven数据漫谈