在传统的漏洞分析方法中，经常遇到一个普遍的问题：高误报率。这种情况下，验证漏洞的真实性就成了一项相当棘手的任务。特别是在软件供应链漏洞不断增加的情况下，研究人员一直在努力通过建立组件与漏洞之间的联系来管理这些漏洞。但遗憾的是，我们发现漏洞利用的具体信息经常并不十分清晰，这使得我们很难准确评估漏洞是否真的会被利用。

将这些挑战投射到实际工业场景中，我们会发现一系列问题：关联漏洞误报高、漏洞信息不清晰、测试人员预警频频、真正漏洞治理延后。这一系列问题严重影响了团队的工作效率和安全治理的进展，也就是所谓的“预警疲劳”。

业务逻辑漏洞的自动化检测一直是行业难题。传统的程序分析技术主要通过漏洞特征规则对代码进行分析，如污点传播技术用于检测SQL注入、系统命令执行等安全问题。然而，业务逻辑漏洞的检测需要理解大量业务信息和语义，如注释、文档含义、函数变量命名约定等。例如，水平权限漏洞需确认接口方法是否需要鉴权及鉴权是否正确。同时，污点分析存在理论瓶颈和误报漏报问题，需要大量人工二次确认。传统安全工作流程和漏洞扫描技术虽然发展迅速，但仍然劳动密集。SAST技术瓶颈在于难以理解逻辑语义，漏洞确认仍需大量人工。

借助语言模型的理解转化能力，白泽SAST具有多元规则定义的特点，这意味着使用者可以以多种形式定义规则，从而方便那些不具备安全知识的人进行定制化的检测。在实践中，我们通过语言模型对开源组件文档进行规模化知识提取，形成包括入口发现、流分析、权限原则等在内的规则集，针对性提高0-Day漏洞发现能力。

多元规则定义的特点能够允许开发人员使用简单直观的界面或自然语言来定义规则，而无需深入了解安全技术的细节，提高了安全策略的可行性和执行效率，符合安全左移的原则。

SAST分析包括source/sink定义、控制流分析、数据流分析、漏洞确认等阶段。通过在各个任务阶段集成LLM，程序分析可以更具有泛化性，从而更好地应对数量日趋膨胀的各类开源组件。另外，我们利用AI-summary策略，进一步优化并提升对复杂程序逻辑进行细粒度分析的能力，使得发现“深层逻辑漏洞”成为可能。

在漏洞确认、复查等阶段，通过结合LLM，也能够输出更清晰明了的漏洞检出解释，帮助用户更轻松地排查和理解安全告警。

语言模型的分析是知识型的，具备业务逻辑理解概括能力；SAST算法的分析是符号型的，严谨细致，能够分辨细粒度代码差异。为了最大化发挥两者优势，我们设计了一套智能调度算法来在分析运行时根据程序状态、分析局部结果、复杂度等多维因素调度语言模型与符号算法，用统一形式将LLM无缝织入分析流程，最大化释放语言模型的分析潜力。

通过LLM，将知识型的分析方法和思路应用于分析中，工具对代码理解从符号逻辑提升到语义层面，有助于减少误报从而降低人工开销。