GRAML: LLM 기반 소프트웨어 취약점 탐지를 위한 그래프 기반 추론 및 다중 작업 학습

대규모 언어 모델(LLMs)은 소프트웨어 취약점 탐지에 광범위하게 적용되어 왔습니다. 하지만, 이들의 성능은 종종 제어 흐름(control-flow) 및 데이터 흐름(data-flow) 정보의 불충분한 사용으로 인해 제한됩니다. 본 논문에서는 그래프 증거(graph evidence), 취약점 설명 생성, 그리고 다중 작업 학습을 결합한 프레임워크인 GRAML을 제안합니다. GRAML은 먼저 C/C++ 프로그램에 정적 분석(static analysis)을 수행하여 핵심 소스 라인과 타입화된 라인 관계를 구조적 증거로 추출합니다. 그런 다음, 이 증거를 사용하여 GPT-5가 트리 오브 쏘트 기반 취약점 추론(Tree-of-Thought-guided Vulnerability Reasoning, ToT-VR) 과정을 거치도록 안내하고 취약점 설명을 생성합니다. 이러한 설명들은 추가적으로 탐지(Detection), 위치 특정화(Localization), 평가(Assessment) 샘플과 결합되어 통합된 4가지 작업 학습 데이터셋을 구축합니다. 우리는 in-distribution (ID) 테스트 세트와 6개의 out-of-distribution (OOD) 데이터셋에서 GRAML을 평가했습니다. 그 결과, GRAML은 평균 F1 점수 범위가 66.67%에서 68.70%에 이르며, 최신 기술(state-of-the-art) 기준선보다 최대 30.92% 높은 성능을 보였습니다. 제거 실험(Ablation experiments)은 또한 ToT-VR과 그래프 기반 취약점 설명이 표준 체인 오브 쏘트(Chain-of-Thought, CoT) 추론 및 원시 코드 속성 그래프(Code Property Graph, CPG) 직렬화와 비교하여 탐지 성능을 향상시킨다는 것을 보여줍니다. 이러한 발견은 대규모 언어 모델을 사용하여 더욱 신뢰할 수 있고 안전한 소프트웨어 공학 시스템을 구축하는 데 실질적인 지침을 제공합니다.