이 연구는 자율주행차(AV) 보안 지식을 명시적으로 반영한 LLM이 규칙 기반 도구보다 취약점 탐지에서 우수한지 검증한다. 취약점 기록과 보안 권고, AV 보안 문헌에서 18개 결함 클래스를 추출한 분류체계를 LLMSec-AV 프레임워크에 통합해 Autoware의 161개 함수를 분석했다. LLM 기반 분석은 알려진 46개 취약점 위치 중 최대 76%를 발견해 CodeQL·Semgrep·Clang Static Analyzer(0건 발견)와 cppcheck(1301건 경보 중 1건 발견)를 크게 앞섰다. 분류체계 자체가 탐지율을 높이지는 않았지만, 발견된 결함을 특정 클래스로 분류하는 비율을 거의 0%에서 80% 이상으로 끌어올려 해석 가능성과 우선순위 판단을 개선했다.

• •18개 결함 클래스로 구성된 AV 특화 취약점 분류체계를 LLMSec-AV에 통합
• •LLM 기반 분석이 기존 정적 분석도구를 압도하며 알려진 취약점의 최대 76% 발견
• •CodeQL·Semgrep·Clang Static Analyzer는 알려진 결함을 전혀 찾지 못함
• •분류체계 컸텍스트가 탐지율보다 결함 분류 정확도(0%→80%+)를 크게 개선