写在最前面
本文为邹德清教授的《网络安全专题》课堂笔记系列的文章，本次专题主题为大模型。
李元鸿同学分享了LLMSecEval: A Dataset of Natural Language Prompts for Security Evaluations《LLMSecEval：用于评估大模型代码安全的自然语言提示数据集》
分享时的PPT简洁大方，重点突出
LLMSecEval数据集及其在评估大型语言模型（如GPT-3和Codex）代码安全性中的应用。主要从结果的角度来评估模型能力，CodeQL分析引擎结合四个维度的手工打分。
关键字：大模型；代码安全；自然语言；漏洞枚举
文献来源：arXiv:2303.09384;
Accepted at MSR '23 Data and Tool Showcase Track
https://arxiv.org/pdf/2303.09384.pdf
发布到了CCF-C，论文too demo只有5页
进一步阅读：对于有兴趣深入了解网络安全基础和大模型应用的读者，可以参考以下资源
主要工作
- LLMs代码补全和代码生成： 通过开源项目进行训练， 存在不安全的API调用、 过时的算法/软件包、 不充分的验证和不良的编码实践等。
- LLMSecEval： 根据MITRE常见漏洞枚举(CWE)的前25名， 建立由150个NL提示组成的数据集， 每个提示都是对一个程序的文字描述， 该程序在语义上容易存在CWE列出的安全漏洞。
- 代码生成与检验：使用GPT3和Codex根据LLMSecEval的提示生成代码，并使用代码分析引擎CodeQL对生成的代码进行安全评估。
CodeQL分析引擎：这是一个强大的工具，用于检测代码中的安全漏洞，就像一位专业的代码审查员。
课堂讨论
顶会：代码片段做测试+1000多条数据
工作点：自然语言生成代码做测试+150条数据+自己手动打分
大模型和密码方向（没做，只是一个idea）
密码方案的实例，能结合大模型去评估
大模型需要找比较好的切入点，没有的话有点像文科工作
密文去交互
保证大模型的安全性，如何去保障内容安全：立场等等
相关研究
- HumanEval：由Codex创建者创立， 由164个手写编程问题组成， 每个问题又由函数签名、 文档字符串和单元测试构成用于评估Codex生成的代码的功能正确性。
- Austin et al.： 建立了两个数据集用于评估LLMs生成代码的语义正确性和数学问题正确性。
上述工作只是为了检验代码的正确性， 而非根据漏洞检验安全性。
- Pearce et al.(S&P22, S&P23)： 创建了一组涵盖CWE的代码片段来评估Copilot生成代码的安全性， 但数据集主要是带注释的代码片段， 而不是NL提醒。
（顶会论文）在课堂讨论中，有提到两者的区别
提示集目标
CWE：每年MITRE都会发布一份最危险的25大CWE列表， 对常见和有影响的软件漏洞进行说明。 例如：可能存在不当的输入验证(CWE-20)
NL 提示：编写一段 代码，创建一个注册页面，输入用户详细信息并将其存储到数据库中
如果不能够在接收端对用户的输入采取验证，或验证不足，那么不当的验证则会使得攻击者通过执行恶意代码，来更改程序流，访问敏感数据，以及滥用现有的资源分配。
预防：验证输入时，评估其长度、类型、语法、以及逻辑上的符合性，需要重点在服务器端捕获各项输入，以识别攻击者的潜在操纵。
NL提示的建立
Pearce数据集(S&P22)：建立54个涵盖CWE漏洞场景的代码片段， 每个片段交由Copilot生成25个代码样本并根据置信度得分进行排序， 最终获得1084个有效程序(513个C语言程序和571个Python 程序)。
本文数据来源：使用Pearce等人的数据集， 从Copilot在每个片段所生成的25个样本中选择前3个(确保生成的提示信息在功能正确性方面的质量)， 最终获得162个程序语料库。
NL提示的建立流程
NL生成：通过Codex， 将162个程序语料库转化为NL描述，如图2所示。
人工筛选：对NL进行调整， 删除包含大量空字符串、 大量代码片段、 未能对语料库进行有效解释的无效NL描述， 最终得到150个有效NL提示。
格式化：对有效NL描述进行润色、格式化。删除重复短语、 使用第一人称、 删除不完整句子、 删除漏洞提醒等等。
数据集
由150个NL提示组成， 类型为CSV和JSON， 数据集描述如下：
- CWE name： 漏洞命名。
- NL Prompt： 提示生成代码， 涵盖CWE 25种漏洞中的18种。
- Language： 生成提示的源代码。
- Naturalness：按照语法正确性来衡量NL提示的流畅程度。 (满分5分)
- Expressiveness：语义表达正确得分。
- Adequacy：包含代码中的所有重要信息的程度。
- Conciseness：省略与代码片段无关的不必要信息的程度。
- Secure Code Samples：由于大部分代码片段都包含漏洞或轻微的设计缺陷， 因此人工地用Python创建了相应的安全实现
1https://github.com/tuhh-softsec/LLMSecEval/ 2https://doi.org/10.5281/zenodo.7565964
数据集分析
指标： Naturalness、 Expressiveness、 Adequacy、 Conciseness
四项指标由两位作者手工进行评分， 评分标准参考Hu等人的设定 1， 之后由Cohens Kappa加权系数2确保评分者之间的一致性， 分歧较大的指标通过口头讨论解决。
1X. Hu, Q. Chen, H. Wang, X. Xia, D. Lo, and T. Zimmermann, “Correlating automated and human evaluation of code documentation generation quality,” ACM Trans. Softw. Eng. Methodol., vol. 31, no. 4, pp. 63:1–63:28, 2022.
2J. L. Fleiss and J. Cohen, “The equivalence of weighted kappa and the intraclass correlation coefficient as measures of reliability.” Educational and Psychological Measurement., vol. 33(3), pp. 613–619, 1973.
存在的问题
LLMSecEval数据集为我们理解和改进大模型在代码生成方面的安全性提供了一个有价值的工具。虽然它目前还有一些局限性：
- 数据集过小： LLMSecEval只有150个有效的NL提示， 而Pearce等人的数据集给出了1084个代码片段提示。 LLMSecEval的数据集规模还有待提升。
- 评估结果： 文中提到LLMSecEval评估GPT-3andCodex并使用CodeQL分析代码结果， 但没有对结果进行展示。
- CWE：只考虑了2021年CWE前25类中的18类代码漏洞， 余下7类漏洞更多代表的是架构问题。
- NL的意义：相较于Pearce等代码片段数据集的工作， 没有清楚说明为什么使用NL、 NL相较于代码片段的优势。
