RAVEN: Retrieval-Augmented Vulnerability Exploration Network for Memory Corruption Analysis in User Code and Binary Programs

📄 arXiv: 2604.17948v1 📥 PDF

作者: Parteek Jamwal, Minghao Shao, Boyuan Chen, Achyuta Muthuvelan, Asini Subanya, Boubacar Ballo, Kashish Satija, Mariam Shafey, Mohamed Mahmoud, Moncif Dahaji Bouffi, Pasindu Wickramasinghe, Siyona Goel, Yaakulya Sabbani, Hakim Hacid, Mthandazo Ndhlovu, Eleanna Kafeza, Sanjay Rawat, Muhammad Shafique

分类: cs.CR, cs.AI, cs.MA

发布日期: 2026-04-20

💡 一句话要点

RAVEN：检索增强的漏洞探索网络，用于用户代码和二进制程序中的内存损坏分析

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 漏洞分析 大型语言模型 检索增强生成 自动化报告生成 软件安全 内存损坏 代码分析

📋 核心要点

  1. 现有方法在自动化漏洞报告文档和分析方面存在不足，大型语言模型在这一领域的潜力尚未充分挖掘。
  2. RAVEN框架利用LLM代理和检索增强生成（RAG），自动生成遵循Google Project Zero模板的全面漏洞分析报告。
  3. 实验结果表明，RAVEN在105个漏洞代码样本上的平均质量得分为54.21%，验证了其在自动化漏洞文档方面的有效性。

📝 摘要（中文）

大型语言模型（LLMs）在各种网络安全任务中表现出卓越的能力，包括漏洞分类、检测和修补。然而，它们在自动化漏洞报告文档和分析方面的潜力仍未被充分探索。我们提出了RAVEN（检索增强漏洞探索网络），一个利用LLM代理和检索增强生成（RAG）来合成全面漏洞分析报告的框架。给定易受攻击的源代码，RAVEN生成遵循Google Project Zero根本原因分析模板的报告。该框架使用四个模块：用于漏洞识别的Explorer代理，从包括Google Project Zero报告和CWE条目的精选数据库中检索相关知识的RAG引擎，用于影响和利用评估的Analyst代理，以及用于结构化报告生成的Reporter代理。为了确保质量，RAVEN包括一个特定于任务的LLM Judge，用于评估报告的结构完整性、与真实情况的对齐、代码推理质量和修复质量。我们在105个易受攻击的代码样本上评估了RAVEN，这些样本涵盖了NIST-SARD数据集中的15种CWE类型。结果显示平均质量得分为54.21%，支持了我们的方法在自动化漏洞文档方面的有效性。

🔬 方法详解

问题定义：论文旨在解决自动化漏洞分析报告生成的问题。现有方法要么依赖人工分析，效率低下且成本高昂，要么依赖于传统的静态/动态分析工具，难以生成高质量、结构化的报告，并且缺乏对漏洞根本原因的深入理解。

核心思路：论文的核心思路是利用大型语言模型（LLMs）的强大推理和生成能力，结合检索增强生成（RAG）技术，从已有的漏洞知识库中检索相关信息，辅助LLM进行漏洞分析和报告生成。通过模仿Google Project Zero的报告模板，确保报告的结构化和完整性。

技术框架：RAVEN框架包含四个主要模块：1) Explorer代理：负责识别代码中的潜在漏洞。2) RAG引擎：从Google Project Zero报告和CWE条目等数据库中检索与漏洞相关的知识。3) Analyst代理：评估漏洞的影响和可能的利用方式。4) Reporter代理：根据前三个模块的输出，生成结构化的漏洞分析报告。此外，还包含一个LLM Judge，用于评估报告的质量。

关键创新：RAVEN的关键创新在于将LLM、RAG和领域知识库相结合，实现自动化、高质量的漏洞分析报告生成。与传统的静态/动态分析工具相比，RAVEN能够更好地理解漏洞的语义信息，并生成更易于理解和利用的报告。此外，LLM Judge的引入，能够对报告质量进行自动评估和改进。

关键设计：RAG引擎的设计至关重要，需要选择合适的知识库和检索算法，以确保检索到与当前漏洞最相关的信息。LLM Judge需要针对漏洞分析报告的特点进行训练，以准确评估报告的结构完整性、真实性对齐、代码推理质量和修复质量。具体的参数设置、损失函数和网络结构等技术细节在论文中可能没有详细描述，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

RAVEN在包含15种CWE类型的105个漏洞代码样本上进行了评估，平均质量得分为54.21%。该结果表明，RAVEN能够有效地生成结构化、高质量的漏洞分析报告。虽然没有与特定基线进行直接比较，但该得分证明了RAVEN在自动化漏洞文档方面的潜力。

🎯 应用场景

RAVEN可应用于软件安全开发生命周期（SSDLC）的各个阶段，例如漏洞扫描、渗透测试和安全审计。它可以帮助安全工程师快速理解和修复漏洞，提高软件的安全性。此外，RAVEN还可以用于构建漏洞知识库，为安全研究人员提供有价值的信息。

📄 摘要（原文）

Large Language Models (LLMs) have demonstrated remarkable capabilities across various cybersecurity tasks, including vulnerability classification, detection, and patching. However, their potential in automated vulnerability report documentation and analysis remains underexplored. We present RAVEN (Retrieval Augmented Vulnerability Exploration Network), a framework leveraging LLM agents and Retrieval Augmented Generation (RAG) to synthesize comprehensive vulnerability analysis reports. Given vulnerable source code, RAVEN generates reports following the Google Project Zero Root Cause Analysis template. The framework uses four modules: an Explorer agent for vulnerability identification, a RAG engine retrieving relevant knowledge from curated databases including Google Project Zero reports and CWE entries, an Analyst agent for impact and exploitation assessment, and a Reporter agent for structured report generation. To ensure quality, RAVEN includes a task specific LLM Judge evaluating reports across structural integrity, ground truth alignment, code reasoning quality, and remediation quality. We evaluate RAVEN on 105 vulnerable code samples covering 15 CWE types from the NIST-SARD dataset. Results show an average quality score of 54.21%, supporting the effectiveness of our approach for automated vulnerability documentation.