1초 만에 함수 취약점 찾는 REVA

ai.euno.news 자동 뉴스 요약

코딩 에이전트가 새로 만든 함수를 약 1초 만에 검사하는 취약점 탐지기 REVA(REal-time Vulnerability Analysis)가 제안됐다. 10월 26일 공개된 arXiv 논문에 따르면, REVA는 GLM-5.3-Flash에서 60.0%의 정확도를 기록했다. 같은 대규모 언어 모델(LLM)을 쓰는 에이전트형 탐지기 VulTriage의 59.2%와 비슷한 수준이지만, 처리 속도는 250배 이상 빠르고 비용은 10분의 1 미만이었다.¹

취약점은 늦게 발견할수록 수정 비용이 커진다. 그러나 코딩 에이전트가 사람보다 빠르게 코드를 생성하면서 개발자의 사후 검토만으로는 대응하기 어려워졌다. 기존 에이전트형 탐지기는 보안 전문가처럼 분석 도구를 실행하고 주변 코드를 살피며 가설을 검증한다. 정확도는 높지만 여러 차례 모델을 호출해야 해 함수 하나를 판정하는 데 수분이 걸린다. 반대로 미세조정한 딥러닝 모델이나 LLM에 곧바로 판정을 요구하는 방식은 빠른 대신, 주변 맥락을 충분히 수집하지 못해 정확도가 떨어진다는 것이 연구진의 설명이다.¹

REVA는 에이전트가 여러 단계에 걸쳐 모으던 정보를 한 번의 LLM 순전파에 넣는다. 새 함수와 함께 모듈의 사전 계산된 위협 모델, 가벼운 정적 분석 결과, 호출 그래프 정보를 제공한 뒤, 학습된 탐침(probe)이 이 맥락을 반영한 LLM 내부 표현을 읽어 취약 여부를 가린다. LLM이 생성한 답변을 그대로 믿지 않고, 모델 내부에 형성된 코드 표현을 별도 분류기에 활용하는 방식이다.

PrimeVul의 분리된 테스트 세트에서 측정한 결과는 다음과 같다.¹

같은 프롬프트를 입력했을 때도 탐침의 정확도는 LLM이 직접 내린 판정보다 14~17% 높았다. 세 종류의 공개 LLM을 대상으로 한 비교에서는 모두 VulTriage와 같거나 더 정확했고, 이 가운데 두 모델에서는 약 10% 높은 정확도를 보였다. 이는 에이전트가 긴 추론 과정에서 얻는 정보 상당 부분이 LLM 내부 표현에 이미 담겨 있을 가능성을 보여준다.

다만 이번 수치는 저자들이 PrimeVul 테스트 세트에서 얻은 결과이며, 실제 개발 환경의 다양한 언어와 코드베이스에서도 같은 성능이 나오는지는 자료만으로 확인할 수 없다. 논문 역시 2026년 10월 제출된 arXiv 사전 공개본이어서 동료평가를 거친 결과는 아니다.¹

읽기 목록은 이 브라우저에 저장됩니다.