Page 186 - 《软件学报》2026年第7期

软件学报 ISSN 1000-9825, CODEN RUXUEW E-mail: jos@iscas.ac.cn
2026,37(7):2871−2885 [doi: 10.13328/j.cnki.jos.007588] [CSTR: 32375.14.jos.007588] http://www.jos.org.cn
©中国科学院软件研究所版权所有. Tel: +86-10-62562563

*
软件供应链安全中 LLM 生成代码逻辑性缺陷检测

赵祖威 1,2 , 汤恩义 1,3 , 李薛成 1,3 , 戴新宇 1,2 , 陈 鑫 1,4 , 李宣东 1,4

1
(计算机软件新技术全国重点实验室 (南京大学), 江苏 南京 210023)
2
(南京大学 人工智能学院, 江苏 南京 210023)
3
(南京大学 软件学院, 江苏 南京 210093)
4
(南京大学 计算机学院, 江苏 南京 210023)
通信作者: 汤恩义, E-mail: eytang@nju.edu.cn
摘 要: 随着大语言模型 (large language model, LLM) 在代码生成领域的快速发展, 其生成的代码在智能化基础软
件供应链中的应用日益广泛. 基础软件供应链中集成了大量基于 LLM 生成代码开发的第三方模块与组件. 然而,
由于 LLM 主要基于开源代码进行训练, 训练代码中的缺陷与安全漏洞可能会导致生成代码存在潜在错误与供应
链安全问题. 为此, 学术界有针对性地提出了 EvalPlus 等测试技术, 但这些技术主要依赖基于概率的测试用例生成
机制, 难以实现对供应链关键路径的全面覆盖, 导致深层次逻辑性缺陷难以被有效发现. 为了解决上述问题, 提出
一种融合符号执行的供应链 LLM 生成代码的缺陷检测方法. 该方法通过符号执行挂载机制自动识别 LLM 生成代
码的输入参数并进行适配和符号挂载, 制导符号执行引擎对程序的关键路径进行精确的约束分析, 生成高效的边
界测试用例, 从而发现现有方法难以检测到的深层逻辑性程序缺陷. 在现有主流基准数据集上, 对 LMSYS Chatbot
Arena 中排名前 11 的主流 LLM 进行了实验评估. 实验结果表明, 该方法能够更有效地检测出 LLM 生成代码中的
逻辑性缺陷, 使代码的平均测试通过率降低了 3.99%–18.98%, 平均测试覆盖率提高了 3.31%–8.19%, 有效提升了
LLM 生成代码的正确性和智能化基础软件供应链的安全性.
关键词: 软件缺陷检测; 供应链安全; 大语言模型; 代码生成; 符号执行
中图法分类号: TP311

中文引用格式: 赵祖威, 汤恩义, 李薛成, 戴新宇, 陈鑫, 李宣东. 软件供应链安全中LLM生成代码逻辑性缺陷检测. 软件学报,
2026, 37(7): 2871–2885. http://www.jos.org.cn/1000-9825/7588.htm
英文引用格式: Zhao ZW, Tang EY, Li XC, Dai XY, Chen X, Li XD. Logical Defect Detection for LLM-generated Code in Software
Supply Chain Security. Ruan Jian Xue Bao/Journal of Software, 2026, 37(7): 2871–2885 (in Chinese). http://www.jos.org.cn/1000-9825/
7588.htm

Logical Defect Detection for LLM-generated Code in Software Supply Chain Security
1,2
1,4
1,2
1,3
1,3
ZHAO Zu-Wei , TANG En-Yi , LI Xue-Cheng , DAI Xin-Yu , CHEN Xin , LI Xuan-Dong 1,4
1
(State Key Laboratory for Novel Software Technology (Nanjing University), Nanjing 210023, China)
2
(School of Artificial Intelligence, Nanjing University, Nanjing 210023, China)
3
(Software Institute, Nanjing University, Nanjing 210093, China)
4
(School of Computer Science, Nanjing University, Nanjing 210023, China)
Abstract: As the large language models (LLMs) rapidly advance in code generation, their generated code gains increasingly widespread
applications in intelligent foundational software supply chains. The foundational software supply chains integrate a large number of third-

* 基金项目: 国家自然科学基金 (62172210, 62172211)
本文由“智能化基础软件可信构造和供应链安全”专题特约编辑王林章教授、司徒凌云研究员、钟浩研究员、 向剑文教授、张路教授
推荐.
收稿时间: 2025-09-08; 修改时间: 2025-10-20; 采用时间: 2025-12-08; jos 在线出版时间: 2025-12-26
CNKI 网络首发时间: 2026-06-02