취약점을 발견할수록 수정하는 비용은 더 커집니다. 코딩 에이전트가 개발자가 검토할 수 있는 속도보다 빠르게 코드를 생성함에 따라, 소프트웨어는 새로운 함수를 실시간으로 스크리닝하는 1차 방어선이 필요합니다. LLM 에이전트는 최근 보안 전문가처럼 작동하여 실제 취약점을 찾는 능력을 갖추게 되었습니다. 즉, 분석 도구를 실행하고, 주변 코드를 탐색하며, 가설을 테스트하고 증거를 평가한 후 스스로 판단을 내립니다. 하지만 이러한 추론 과정은 여러 모델 호출에 걸쳐 이루어지기 때문에, 각 판정 하나가 수 분의 컴퓨팅 자원을 소모하여 실시간 스크리닝에는 너무 오래 걸립니다. 딥러닝 모델을 미세 조정하거나 LLM에게 직접적인 판정을 요청하는 더 빠른 탐지기는 정확도가 떨어집니다. 이들은 에이전트가 수집하는 문맥 없이 함수를 판단하며, 설령 일부 문맥이 제공되더라도 LLM이 생성한 판정은 신뢰하기 어렵습니다.
저희는 REVA (REal-time Vulnerability Analysis)라는 AI 취약점 탐지기를 제시합니다. 이 시스템은 에이전트 기반 탐지기의 보안 문맥 및 코드 이해 구성 요소를 LLM의 단일 순방향 통과(single forward pass)로 통합했습니다. REVA는 새로운 함수에 대해 해당 모듈의 사전 계산된 위협 모델, 경량 정적 분석 결과, 그리고 호출 그래프 정보를 LLM에게 제공합니다. REVA는 훈련된 프로브(probe)를 활용하여 이러한 문맥 속에서 LLM이 가진 새로운 함수의 내부 표현을 읽어냅니다.
PrimeVul의 분리 테스트 세트에서 GLM-5.3-Flash를 사용한 REVA는 함수당 약 1초 만에 60.0%의 정확도를 달성했습니다. 이는 동일한 LLM으로 실행된 최신 에이전트 탐지기인 VulTriage(59.2%)와 일치하며, 속도는 250배 이상 빠르고 비용은 1/10 미만입니다. 동일한 프롬프트에서 프로브는 LLM 자체의 직접적인 판정보다 14%에서 17% 더 정확했습니다. 세 가지 공개된 LLM 전반에 걸쳐 REVA는 VulTriage만큼 정확하거나, 두 모델에서는 약 10% 더 높은 정확도를 보였습니다. 따라서 LLM의 내부 표현은 에이전트 기반 탐지기가 추론을 통해 얻어내는 많은 부분을 인코딩하고 있음을 알 수 있습니다.