作者：  （1） Vahid Majdinasab，加拿大蒙特利尔理工学院计算机与软件工程系；  （2） Michael Joshua Bishop，新西兰梅西大学数学与计算科学学院 （3） Shawn Rasheed，新西兰蒂普肯加大学城分校信息与通信技术组；  （4） Arghavan Moradidakhel，加拿大蒙特利尔理工学院计算机与软件工程系；  （5） Amjed Tahir，新西兰梅西大学数学与计算科学学院 （6）Foutse Khomh，加拿大蒙特利尔理工学院计算机与软件工程系 链接表 摘要和引言 原始研究 复制范围和方法 结果 讨论 相关工作 结论、致谢和参考文献 IV. 结果 结果列于表 III 中。Rank 列显示了 MITRE 对 CWE 在前 25 名中的排名。对于每个 CWE，我们使用了最多三个不同的场景。如第三部分所述，与 Pearce 等人的研究类似。[14] ，场景来自三个不同的来源：CodeQL 存储库中的示例和文档、MITRE 数据库中每个 CWE 的示例以及作者设计的场景。表 III 中的 Orig. 列表示每个场景的来源。 为了评估 Copilot 的建议，我们使用了 CodeQL 或人工检查。表 III 中的标记概述了我们如何评估特定场景的 Copilot 建议。#Vd. 表示在消除重复解决方案和语法错误的解决方案后 Copilot 的建议数量。#Vln 表示 Copilot 存在漏洞问题的建议数量，而 TNV? 表示 Copilot 提供的第一个建议是否不包含漏洞问题。如果 Copilot 的初始建议是安全的，则标记为是。 由于 Copilot 在显示随机建议数量方面的限制（如第 III 节所述），我们在多次迭代中收集了最多 55 条建议。鉴于初始迭代的第一个建议是 Copilot 向开发人员展示的用于计算 TNV? 的第一个解决方案，我们针对每个场景参考第一次迭代的第一个建议。 我们遇到的另一个限制是 Copilot 设置中缺少解决方案的置信度分数。即使在我们的 Copilot 配置中，我们将 (ShowScore) 设置为 True，Copilot 也不会显示每个解决方案的置信区间。由于这一限制，我们无法将此指标纳入我们的实验结果中。 图 2 显示了每个 CWE 场景中存在漏洞的代码建议百分比。下面我们展示了本研究中调查的 12 个 CWE 的结果：   代码包含渲染模板时来自 URL 的用户输入。通过将结果与原始研究进行比较，我们可以看到 Copilot 生成没有此漏洞的代码的能力有所提高，因为 79-0 不存在此漏洞。我们观察到场景 79-1 的易受攻击的代码，但它们并未出现在得分最高的程序中，与原始研究的结果类似。  • CWE 79：跨站点脚本。   代码在重定向或处理之前不会验证用户提供的目标 URL。在原始研究中，Copilot 很好地处理了此漏洞，因为它只为 CWE 20-0 生成了一个易受攻击的代码，而为 CWE 20-1 没有生成易受攻击的代码。在这里，我们可以观察到 Copilot 在这两种情况下都没有生成易受攻击的代码，这表明 Copilot 处理这些情况的能力有所提高。 • CWE 20：输入验证不当。   代码使用未过滤的用户输入构建“ping”系统命令，可能允许运行额外的系统命令。在原始研究中，在为场景 CWE 78-2 生成的 23 个代码中，有 15 个被视为易受攻击。然而，易受攻击的代码并未出现在得分最高的程序中。在我们的复制中，我们可以观察到 Copilot 仍然生成易受此特定漏洞攻击的代码，但比例较低（22 个中有 10 个）。与原始研究相反，在得分最高的程序中观察到易受攻击的代码。因此，我们可以得出结论，Copilot 仍然需要针对此类漏洞进行微调。图 ?? 显示了 CWE 78 的顶级易受攻击建议的示例。 • CWE 78：操作系统命令注入。   代码将 URL 中未处理的用户输入插入到 SQL 查询中。在原始研究中为 SQL 注入设计的三种不同场景中，Copilot 为每个场景生成的代码中大约一半以上包含漏洞。在我们的复制中，除了场景 89-0（旨在“检查用户的电子邮件是否存在于数据库中，如果存在则取消订阅”（未检测到漏洞））之外，Copilot 生成的代码中超过一半也存在漏洞。但是，我们观察到，在这三种场景中得分最高的程序都没有建议存在漏洞的代码，而原始研究中，场景 89-1 得分最高的程序建议存在漏洞的代码。 • CWE 89：SQL 注入。   代码使用未经清理的用户定义路径访问文件，可能允许未经授权访问范围外的文件。在最初的研究中，对于 CWE 22-1 和 22-2，Copilot 生成的代码都存在漏洞。此外，为 CWE 22-2 生成的所有代码（将 tar 文件解压缩到 /tmp/unpack）都存在漏洞，得分最高的程序在这两种情况下都存在漏洞。然而，我们现在报告称，Copilot 得分最高的程序在这两种情况下都不包含存在漏洞的代码，并且未检测到 CWE 22-2 的漏洞，这表明在解决这一特定漏洞方面有所改进。 • CWE 22：未经授权的路径遍历。   该代码将用户提供的文件存储在服务器上。Copilot 仍会为所有三种场景生成易受攻击的代码。场景 434-0 和 434-1 的易受攻击代码比例较低，但场景 434-2 的易受攻击代码比例较高。此外，  • CWE 434：无限制上传危险类型的文件。 与原始研究不同，Copilot 在其得分最高的程序中没有为场景 434-1 生成易受攻击的代码，但是，它仍然为场景 434-0 生成了易受攻击的代码（图 4）。因此，即使易受攻击的代码比例较低，Copilot 也需要针对此类漏洞进行更多微调。   Web 服务器在执行关键功能之前不需要重新对用户进行身份验证。我们可以观察到，Copilot 为所有三种情况生成了易受攻击的解决方案。我们发现 CWE 306-2 的易受攻击解决方案的比例与易受攻击的代码一起有所增加 • CWE 306：关键功能缺少身份验证 在其得分最高的程序中，例如：图 5。相比之下，在原始研究中，得分最高的程序在所有三个场景中均未检测到漏洞。这表明 Copilot 仍需要对此类漏洞进行更多微调。   代码尝试读取未清理的 YAML 数据。在我们的复制中，我们观察到 Copilot 为该 CWE 生成非易受攻击代码的能力有所下降。我们的结果表明，不仅易受攻击代码的比例更高，而且对于场景 502-2，copilot 现在在其得分最高的程序中生成易受攻击的代码（如图 6 所示），而在之前的研究中并没有这样做。因此，我们可以得出结论，Copilot 也需要针对此漏洞进行更多微调。 • CWE 502：不受信任数据的反序列化   代码包含默认登录凭据。在之前的研究中，对于所有三种情况，Copilot 生成了易受攻击的代码，其中大约一半的生成代码是 • CWE 798：使用硬编码凭据  798-0 和 798-2 存在漏洞。此外，在 Copilot 得分最高的 798-0 场景程序中检测到了漏洞代码。在我们的复制中，Copilot 在所有为 CWE 798 设计的三个场景中都表现出显著的改进，因为它生成的解决方案中没有一个包含漏洞。   代码呈现一个网页，其中包含来自请求的数据库条目的额外（可能敏感）字段。我们的结果表明，Copilot 在处理此漏洞方面也有所改进。对于场景 200-1 和 200-2，不存在易受攻击的代码（与原始研究相反）。应该注意的是，对于 CWE 200-1，大多数生成的解决方案都包含语法错误或彼此相似，因此我们只剩下 1 个唯一且可编译的解决方案可供分析。对于场景 200-2（如果用户名和密码正确，则登录用户），Copilot 仍然会像在之前的研究中一样生成易受攻击的代码，并且比例大致相同。 • CWE 200：向未经授权的行为者泄露敏感信息   代码使用弱哈希来存储密码。我们观察到 Copilot 生成此场景无漏洞代码的能力显著提高。在原始研究中，大多数生成的代码中都检测到了漏洞（522-2 除外，其中只有 12% 的解决方案存在漏洞）。在我们的复制中，我们没有检测到 522-0 和 522-1 的漏洞，只有 3 个生成的代码包含 522-2 的漏洞。应该注意的是，在原始研究中，对于所有场景，在得分最高的程序中都检测到了漏洞。但是，我们没有观察到得分最高的程序中的任何漏洞。  • CWE 522：凭证保护不足   代码将数据保存在全局可读/可写文件中。我们还观察到此场景中不易受攻击的生成代码有所改善，因为在之前的研究中，超过 33% 的生成代码易受攻击。在我们的复制中，易受攻击的代码数量已下降到 3%。 • CWE 732：关键资源上的权限不正确 该论文 。 可在 arxiv 上根据 CC 4.0 许可获取

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

A branching model for Git, created by Vincent Driessen. #1 blog dedicated exclusively to forwarding the GitFlow agenda.

GitFlow's Blog

該音頻是用故事的原始語言製作的！

Github Copilot 代码漏洞管理的幕后故事

About Author

註釋

標籤

这篇文章刊登在

Related Stories

创建以用户为中心的加密产品：客户反馈的重要性

架构师指南：构建 AI/ML 数据湖参考架构

扬帆起航：利用数据湖开发生产级 RAG 应用程序

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

创建以用户为中心的加密产品：客户反馈的重要性

架构师指南：构建 AI/ML 数据湖参考架构

扬帆起航：利用数据湖开发生产级 RAG 应用程序

释放人工智能的力量。前沿技术的系统评价：摘要与介绍

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps