취약점 수정 커밋이 주어졌을 때, 트리거 위치 특정(trigger localization)은 어떤 특정 문(statement)이 취약한 프로그램 상태를 구체적인 불안전 연산으로 전환시키는지를 묻는다. 이 문제는 이진 취약점 탐지보다 더 어렵다. 답은 절차 간, 인과적 추론을 요구하기 때문이다. 실제 CVE의 상당 부분에서 트리거 문은 패치된 함수 바깥 여러 호출 층에 위치하며, 정적 규칙 집합과 패턴 매칭 언어 모델 모두의 범위를 벗어난다. 우리는 AutoTrace를 제시한다. 이는 코드 속성 그래프(code property graph)를 층별로 탐험하여 취약점 트리거를 특정하는 에이전트 기반 파이프라인이다. LLM 에이전트가 다음에 어디를 살펴볼지 결정하고, 결정론적 허용 가능성 게이트(deterministic admissibility gates)가 트리거를 보고하기 전에 어떤 증거가 필요한지 결정한다. 에이전트는 자체 권한으로 트리거를 받아들이지 않으며, 보고된 모든 트리거는 그래프에서 도출된 명시적 증거에 의해 뒷받침된다. 따라서 파이프라인은 근거 없는 모델 판단에 의존하지 않고 절차 내 및 절차 간 취약점을 모두 다룬다. 전체 InterPVD 벤치마크에서 AutoTrace는 75.0% VulnHit 및 80.8% FuncHit를 달성하여, 동일한 코퍼스에서 이전 최신 기술(state of the art)을 능가한다. 동일한 메커니즘을 기반으로, 우리는 SinkTrace-Bench를 구축한다. 이 데이터셋은 각 취약점을 공격자 제어 입력에서 전파(propagation)를 거쳐 위험한 연산까지 이어지는 source-to-sink(S2S) 인과 사슬로 드러내며, 매칭된 취약 및 패치된 프로그램 상태에서 추출된다. 이는 검증자 확인(verifier-confirmed) 1,542개의 완벽하게 균형 잡힌 취약/안전 샘플로 구성되며, 라벨 충실도는 전문가 주석에 대해 감사(audit)했다. 이를 통해 최첨단 LLM을 벤치마킹한 결과, 가장 강력한 모델조차 매칭된 쌍을 구분하는 데 어려움을 겪는 것을 발견하며, 트리거 위치 특정이 겨냥하는 인과 추론 격차를 드러낸다. 아티팩트는 https://github.com/Erroristotle/AutoTrace 에서 이용할 수 있다.
소프트웨어는 지속적으로 진화하지만, 전체 코드베이스를 재검증하지 않고 패치가 의도된 동작을 보존하는지 확인하는 것은 여전히 어렵다. 회귀 검증(regression verification)은 이 문제를 다루지만, 기존 기법들은 비용이 많이 드는 전체 프로그램 추론을 요구하거나 실제로는 거의 제공되지 않는 수동 작성 명세에 의존한다. 우리는 최초의 계약 기반 회귀 검증 도구를 제시한다. 계약의 건전성(soundness)은 모든 함수 버전이 동작에 부합함을 증명함으로써 보장된다. 그런 다음 계약은 가정-보장(assume-guarantee) 방식을 통해 프로그램 흐름을 검증한다. 우리는 완전한 동작 명세 대신 부분적이고 호출자 충족적인(caller-sufficient) 계약만으로도 충분한지를 묻는다. Frama-C-Problems에서 추론된 각 계약을 호출자가 필요로 하는 수준 이상으로 강화하고 얼마나 더 엄격해지는지 측정한다. 거의 변화가 없다: 모든 모델의 대부분의 대상에서 호출자 충족 계약은 이미 루프가 도달하는 가장 엄격한 수준이며, 우리의 엄격성 비교기는 비교 가능한 대상의 대다수에서 부분 계약과 강화된 계약을 동등하게 평가한다. 따라서 부분 명세 계약은 달성 가능한 엄격성의 거의 전부를 포착하므로, 호출자 충족 수준에서 멈추는 것은 거의 아무런 비용이 없다. 그 아래의 회귀 검사는 건전하다: 서드파티 EqBench-C 스위트에서 동등성을 위조하지 않으며, 거짓 증명을 전혀 반환하지 않고 대신 증명 불가한 차이를 보고한다. 또한 EqBench가 동등하다고 잘못 레이블링한 9개의 쌍을 발견했는데, 이는 동시대의 도구가 보고하는 것보다 많다. 계약 자체는 검사기 자신의 반례(counterexample)로부터 별도의 명세 단계 없이 자동으로 추론된다; Frama-C-Problems와 ANSSI X509 파서에서 AutoSpec 및 Preguss 도구와 비견되는 검증률에 도달하며, 합격 결과는 우리가 \emph{안전성 보존 조건부 동등성(safety-preserving conditional equivalence)}이라 부르는 적어도 그만큼 강한 속성, 즉 강제 적용(enforcement)과 호출자 충족성(caller-sufficiency)을 인증한다.
동시성 프로그램에서 다음 단계를 예측하도록 모델을 학습시키는 것은 겉보기보다 어렵습니다. 스케줄러가 비결정적이기 때문에 동일한 추적 접두 문맥에서 동일한 프로그램을 두 번 실행하면 서로 다르지만 유효한 다음 이벤트가 발생할 수 있습니다. 단일 레이블에 대해 학습된 모델은 무작위 과정의 한 가지 결과를 추측하는 것을 학습하게 됩니다. 우리는 이를 역이용하여 비결정성을 학습 신호로 활용합니다. 우리는 각 프로그램을 여러 번 실행하고 관찰된 다음 이벤트를 경험적 분포로 집계한 다음, KL 목적함수를 사용하여 해당 분포와 일치하도록 7B 모델을 미세조정합니다. 실제 운영 환경 Go 버그(CockroachDB, Kubernetes, gRPC, etcd)에서 추출한 798개의 검증용 예측에 대해, 천 개 미만의 추적으로 미세조정을 수행했을 때 36.2%의 정확도를 달성하여, 제로샷으로 사용된 Gemini 3.5 Flash(34.8%)와 미세조정되지 않은 동일한 모델(28.6%)보다 앞섰습니다. 분포 학습은 정확도 면에서 교차 엔트로피와 대등하면서(35.8% 대 36.2%) 기대 보정 오차를 0.205에서 0.169로 감소시켰습니다. 또한, P(GoUnblock)=0이 학습이 아닌 스케줄러 의미론에 의해 성립하는 select문에 의해 차단된 고루틴 클래스에 대한 형식적인 고루틴 누수 시그니처를 도출했습니다. 데이터셋, 학습된 어댑터 및 모든 도구를 공개합니다.