CAT-RAG: Improving Secure Code Generation with Category-Aware Agentic Retrieval (원문, 새 창)

AI 인사이트

개발자

CWE 단위 세분화 검색 대신 '입력 검증', '주입 공격' 같은 상위 보안 카테고리로 검색을 대체하는 CAT-RAG 제안
LLM을 분류 에이전트로 활용해 질의에 맞는 보안 카테고리를 선택, 기존 RACG에 드롭인 추가 가능
CyberSecEval 기준 안전한 코드 생성 개선율을 12.11%에서 23.57%로 거의 두 배 향상
동시에 프롬프트 토큰 오버헤드는 41.71% 감소시켜 성능과 효율을 함께 개선

왜 중요한가

LLM 기반 코드 생성에서 세밀한 취약점 단위 검색은 프롬프트가 길어지고 모델 주의가 분산되는 문제가 있었는데, 보안 카테고리 단위로 추상화한 CAT-RAG는 기존 모델 수정 없이 안전한 코드 생성 품질과 비용을 동시에 개선한다.

언급 프로젝트

CAT-RAG CyberSecEval CodeGuard+HumanEval

본문 미리보기

arXiv:2610.24907v1 Announce Type: new Abstract: Despite rapid progress in LLM-based code generation, security vulnerabilities remain widespread, and retrieval-augmented code generation (RACG) can further amplify risk when retrieved knowledge is verbose or vulnerable to poisoning. Existing secure RACG approaches inject security knowledge at a fine-grained vulnerability level, causing prompt overhead and diluted model attention when a query implicates multiple related weaknesses. We propose CAT-R

전체 내용이 궁금하다면?

arXiv cs.CR (암호학·보안)에서 원문을 직접 읽어보세요

원문 보기

#RAG
#코드생성보안
#에이전트
#취약점방어

이 글이 만들어진 과정

11:24AI 초안

판 이력 전체 보기 →

4건

AI 인사이트

본문 미리보기

이 글이 만들어진 과정

관련 글