文章主要内容总结本文提出了一种名为LLMxCPG的新型框架，旨在解决现有基于深度学习的软件漏洞检测方法在准确性、鲁棒性和对复杂代码库分析能力上的局限性。该框架将代码属性图（Code Property Graphs, CPG）与大型语言模型（Large Language Models, LLM）相结合，通过以下核心步骤实现高效漏洞检测：基于CPG的切片构建：利用静态应用安全测试工具Joern及其CPGQL查询语言提取潜在漏洞执行路径，通过反向切片技术构建仅包含漏洞相关核心代码的切片，将代码量减少67.84%至90.93%，同时保留关键上下文。双模型架构：包含LLMxCPG-Q（生成CPGQL查询以提取漏洞路径）和LLMxCPG-D（对切片进行分类以判断是否存在漏洞），均基于现有LLM微调。性能表现：在验证数据集上，F1分数较现有方法提升15%-40%，且在函数级和多函数代码库中保持高性能，对代码语法修改（如重命名、插入语句）具有较强鲁棒性。创新点LLM与程序分析的融合：首次将传统程序分析技术（CPG）与现代LLM结合，兼顾结构分析与模式识别优势。漏洞导向的切片构建技术：通过CPG提取与漏洞相关的核心代码片段，减少噪声干扰，支持跨函数漏洞检测。对复杂代码库的泛化能力：能够有效分析多函数、多文件的大型项目，突