最近，随着软件安全行业的快速发展，越来越多的开发人员和安全专家开始关注如何通过SAST（静态应用程序安全测试）来提高软件的安全性。然而，随着复杂性的增加，SAST在检测安全漏洞时会出现假阳性的情况。
为了解决这一问题，研究人员提出了LLM（长期记忆模型）来帮助减少SAST中的假阳性。LLM是一种基于深度学习的技术，可以通过对代码进行分析和学习，识别真正的安全漏洞，并排除那些误报的信息。
为了验证LLM在SAST筛选中的效果，我们进行了一项基准测试。我们从不同的代码库中选择了一些包含已知漏洞的代码样本，并通过SAST工具进行扫描。然后，我们使用LLM对这些扫描结果进行再次分析，检测并排除假阳性。
结果显示，LLM在SAST筛选中取得了显著的效果。相比传统的SAST工具，LLM能够提供更准确的安全漏洞识别，减少了误报的情况。这为开发人员和安全专家提供了更可靠的安全防护手段，帮助他们更好地保护软件不受攻击。
综上所述，LLM作为一种新兴的技术，在SAST筛选中发挥了重要作用。通过基准测试的验证，我们相信LLM将会成为软件安全领域的重要工具，为我们构建更加安全可靠的软件提供了有力支持。【来源：https://www.fencer.dev/blog/llm-triage-sast-false-positives】.
了解更多有趣的事情：https://blog.ds3783.com/