Der Artikel beschreibt einen Ansatz, der Large Language Models (LLMs) nutzt, um nutzerprivileg-bezogene Variablen (UPR-Variablen) in Programmen zu identifizieren. Dies ist eine wichtige Aufgabe, da viele Programme Operationen und Logik beinhalten, die Nutzerberechtigungen verwalten, was für die Sicherheit einer Organisation entscheidend ist. Angreifer versuchen oft, diese Berechtigungen zu erlangen oder zu erhöhen, was zu Berechtigungslecks führen kann.
Der vorgeschlagene Workflow kombiniert statische Programmanalyse und LLMs, um für jede Variable in einem Programm einen UPR-Score zu berechnen, der den Grad der Beziehung (Nähe) zwischen der Variable und Nutzerberechtigungen widerspiegelt. Dadurch können Analysten die Variablen mit den höchsten Scores gezielt untersuchen, um mögliche Sicherheitslücken zu finden.
Die Experimente zeigen, dass bei Verwendung eines typischen UPR-Score-Schwellenwerts (d.h. UPR-Score >0,8) die Falsch-Positiv-Rate (FPR) nur 13,49 % beträgt, während deutlich mehr UPR-Variablen gefunden werden als mit der heuristikbasierten Methode.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Haizhou Wang... at arxiv.org 03-26-2024
https://arxiv.org/pdf/2403.15723.pdfDeeper Inquiries