English(EN) Measuring and Exploiting Contextual Bias in LLM-Assisted Security Code Review

LLM辅助代码审查易受上下文偏差攻击

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

研究人员发现LLM辅助代码审查系统存在重大漏洞，攻击者可以利用上下文偏差将漏洞重新引入软件。一项涉及六个LLM和两个流行工具Claude Code和CodeRabbit的研究表明，攻击者可以为拉取请求（pull request）制作特定的元数据来操纵LLM的安全判断。虽然基于模板的攻击无效，但一种新颖的LLM辅助细化攻击在97%的情况下成功，凸显了过度依赖自动化工具的风险以及持续需要人工监督。 AI

影响强调了LLM辅助代码审查中的关键安全风险，突出了人工监督的必要性以及改进针对供应链攻击的防御机制。

排序理由研究论文，详细介绍了LLM辅助代码审查工具中的新漏洞。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 16 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 研究论文，详细介绍了LLM辅助代码审查工具中的新漏洞。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: safety, paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Dimitris Mitropoulos, Nikolaos Alexopoulos, Georgios Alexopoulos, Diomidis Spinellis · 2026-09-15 04:00

衡量和利用 LLM 辅助安全代码审查中的上下文偏差

arXiv:2603.18740v3 Announce Type: replace-cross Abstract: Automated Code Review (ACR) systems integrating Large Language Models (LLMs) are increasingly adopted in software development workflows, ranging from interactive assistants to autonomous agents in CI/CD pipelines. In this …

本文如何被排名

报道来源 [1]

衡量和利用 LLM 辅助安全代码审查中的上下文偏差

相关实体

相关话题