[논문 리뷰] Compartmentalization-Aware Automated Program Repair

Jia Hu, Youcheng Sun외 1명|arXiv (Cornell University)|2026. 03. 10.

Security and Verification in Computing인용 수 0

한 줄 요약

본 논문은 andEvalulates a compartmentalization-aware APR framework that uses a CIV fuzzer, LLM-driven patch generation, and a feedback loop to automatically secure cross-compartment interfaces and fix CIVs.

ABSTRACT

Software compartmentalization breaks down an application into compartments isolated from each other: an attacker taking over a compartment will be confined to it, limiting the damage they can cause to the rest of the application. Despite the security promises of this approach, recent studies have shown that most existing compartmentalized software is plagued by vulnerabilities at cross-compartment interfaces, allowing an attacker taking over a compartment to escape its confinement and negate the security guarantees expected from compartmentalization. In that context, securing cross-compartment interfaces is notoriously difficult and engineering-intensive. In light of recent advances in Automated Program Repair (APR), notably through the use of Large Language Models (LLMs), this paper presents a work in progress investigating the suitability of LLM-based APR at securing cross-compartment interfaces as automatically as possible. We observe that existing APR approaches and general purpose/code-centric LLMs used as is are unfit for this task, and present the design, implementation, and early results of a new APR framework dedicated to compartment interface safety. The framework integrates into a feedback loop 1) a specialized fuzzer uncovering cross-compartment interface vulnerabilities; 2) a patch generation component bridging the lack of compartmentalization awareness of existing LLMs with a series of analysis techniques; and 3) a patch validation component assessing the effectiveness of generated vulnerability fixes. We validate our framework over a sample interface vulnerability, comparing it to a naive use of general-purpose LLMs, and discuss future research avenues.

연구 동기 및 목표

• 격실화 이점을 유지하기 위해 교차 격실 인터페이스를 보안해야 할 필요성을 동기 부여한다.
• 명시적 신뢰 모델을 갖춘 CIVs를 다루는 반복적 APR 프레임워크를 설계한다.
• 취약점을 발견하고 결과를 LLM 기반 패치 생성기로 전달한다.
• 패치 생성을 안내하고 패치 가능성 한계를 결정하기 위해 CIV를 분류한다.
• 단순한 LLM 기반 기준선과 비교하여 접근법을 평가하고 향후 연구 방향을 논의한다.

제안 방법

• 지정된 격실 정책하에 주어진 인터페이스에서 CIV를 밝혀내기 위해 CIV fuzzer(ConfFuzz)를 도입한다.
• 취약점 및 애플리케이션 컨텍스트로 채워진 격실화 인식 프롬프트에 의해 안내되는 LLM 기반 패치 생성 컴포넌트를 사용한다.
• CIV와 크래시 스택을 분석하여 패치 위치 및 데이터 흐름 인지 패칭 의사결정을 알린다.
• 데이터 유형(포인터, 스칼라, 구조화 페이로드, 불투명 핸들)에 따라 CIV를 분류하여 패치의 세분성 및 예방적 검사 범위를 결정한다.
• 반복 퍼징 및 세정기 보고서를 통한 피드백 루프에서 생성된 패치를 검증하고 패치 효율성에 따라 프롬프트를 업데이트한다.

Figure 1. Trust models enforced by software compartmentalization, with the direction of attacks exploiting CIVs by corrupting the control or data flowing between untrusted and trusted compartments.

실험 결과

연구 질문

• RQ1 LLM 기반 APR이 CIV를 자동으로 해결하여 교차 격실 인터페이스를 효과적으로 보안할 수 있는가?
• RQ2 격실화 인식이 일반 목적 LLM에 비해 패치 생성 및 배치에 어떤 영향을 미치는가?
• RQ3 자동화 수리에 더 적합한 CIV 유형은 무엇이며 어느 것이 인간의 개입을 필요로 하는가?
• RQ4 퍼저 가이드 및 피드백 기반 수리 루프가 순진한 LLM 기반 수정에 비해 패치 품질을 향상시키는가?

주요 결과

• 초기 결과는 패치 생성기가 CIV를 부분적으로만 다루는 패치를 자주 출력하여 반복적 개선이 필요함을 시사한다.
• 프레임워크는 CIV 수정 재현 및 테스트를 위한 퍼저 기반 검증 루프를 통합하고 수정이 불완전할 때 프롬프트를 다듬는다.
• 순진한 GPT 스타일 수리 기준선과 비교하여 같은 CIV를 샌드박스 시나리오에서 수리하는 효율성이 향상된다.
• CIV 및 크래시 스택 분석은 패치의 세분성 및 패치 위치에 대한 지침을 제공하여 인터페이스의 관련 부분에 수정을 타깃하도록 돕는다.
• 본 연구는 CIV 데이터베이스를 사용하여 기존의 격실화 비인식 APR 프레임워크에 대한 향후 평가 계획을 개괄한다.
• 본 접근법은 어떤 CIV 유형과 인터페이스 시나리오가 자동화에 적합한지와 인간 지도가 여전히 필수적인 부분을 정량화하는 것을 목표로 한다.

Figure 2. Overview of our compartmentalization-aware APR framework. It takes as inputs (green boxes) an application’s source code, a description of its desired compartmentalization policy and of a particular cross-compartment interface to secure. A CIV Fuzzer uncovers CIVs on that interface, and the