计算机工程与应用

作者：唐成华, 张靖, 杨萌萌, 强保华

单位：1.桂林电子科技大学 广西可信软件重点实验室，广西 桂林 541004；2.广西密码学与信息安全重点实验室，广西 桂林 541004；3.联邦科学与工业研究组织Data61，澳大利亚 墨尔本 31684；

关键词：漏洞检测,大语言模型（LLM）,思维链提示（CoT）,图结构

基金：国家自然科学基金（62062028）；广西自然科学基金（2025JJA170022）；广西可信软件重点实验室基金（KX202320）；广西研究生教育创新计划项目（YCSW2024328）。

基于大语言模型的漏洞检测方法已取得了一定进展，但在处理复杂代码时仍然难以准确捕获各函数、变量之间的关系并且过拟合风险较大，模型输出结果的随机性增加了解释难度，导致漏洞检测模型性能不够理想。为了解决这些问题，提出了一种基于Conformer架构的创新漏洞检测方法，该方法融合了思维链提示技术与Conformer的优势。引入预训练模型筛选代码并生成高质量的代码序列嵌入，并通过代码属性图综合表示代码的结构关系和语义信息，有助于模型准确学习代码语法语义，并减小过拟合风险。通过Conformer架构中的自注意力机制与卷积网络，同时捕获代码局部特征和全局信息，提高模型对复杂代码的理解能力。利用思维链提示技术引导模型生成逐步推理过程，并结合预训练模型生成漏洞解释文本，提升模型漏洞识别的准确性和可解释性。为了评估方法的有效性，在三个数据集上与六个基线模型进行性能指标和资源消耗比较实验，并搭建多个变体模型进行消融分析，结果表明，CCotVDetect在推理时间、准确率和F1分数上均优于基线模型，平均分数相较于表现最好的基线模型分别提升了10.71，1.42和4.46个百分点。

来源：2026年第8期

《计算机工程与应用》期刊编辑部

查看计算机工程与应用杂志2026年第8期