Antaeus：用基于上下文的 LLM 推理挖掘仓库级逻辑漏洞

研究者提出 Antaeus 框架，通过将 LLM 推理锚定在仓库级代码上下文中检测逻辑漏洞，在 35 个含已确认逻辑漏洞的仓库上检出并解释 20 个漏洞，在 token 用量与成本相近的情况下优于函数级和智能体基线。论文指出，逻辑漏洞的识别需要推断应用特定的安全不变量和隐含的行为假设，即使前沿智能体模型也难以做到，因为这些不变量往往隐式存在、埋在无关代码中。Antaeus 先用轻量级的仓库级安全信号为函数排序，把昂贵的 LLM 分析集中在相关代码上，减少调用次数、成本和分诊工作量；再结合局部代码上下文与应用功能、安全资源和信任边界的仓库级视图，识别安全敏感的 sink、推导安全执行条件并检查其是否在局部满足。候选发现经过比较验证，剔除反映项目普遍规范而非独特违规的问题，最后报告 sink、被违反的安全条件和证据，使发现可操作、可追溯。