岗位描述
研究领域: 网络空间安全 项目简介: 软件安全正在经历从“传统静态分析”向“AI 驱动的代码安全”的范式转变,然而在这一进程中,行业面临着两个关键的底层技术瓶颈: (1)缺乏工业级、多语言的代码安全评测“尺子”(Benchmark) 当前学术界和工业界现有的代码安全评测集,大多局限于简单的单文件、单语言或玩具代码,无法真实反映工业界复杂的软件工程现状(如跨文件调用、主流业务框架、动态反射等)。这导致团队在引入 AI 进行代码审计、安全生成和漏洞修复时,无法科学、量化地评估不同模型的真实安全能力,处于“开盲盒”状态。 (2)大模型的大规模工业化落地面临“性能与成本”双重制约。使用超大规模通用大模型进行全量代码审计,虽然效果上限较高,但其高昂的 Token 成本和极高的推理时延,使得在企业级 CI/CD 扫描、大规模代码库审计等高频场景下无法实现大范围、常态化落地。行业迫切需要探索“小而美”的垂类安全模型,在特定高频安全场景下替代大模型。 基于上述背景,引入研究型实习生,参与AI代码安全能力评测 & 安全小模型后训练2个子领域的研究,依托团队的开放式统一多语言静态程序分析(YASA)底座,将“确定性程序事实”与“生成式 AI”深度结合,攻克 AI 代码安全领域的评测标准缺失与高成本落地难题。