Este artículo enfatiza la importancia de los sistemas automatizados de detección y reparación de vulnerabilidades y señala las limitaciones de los métodos existentes de análisis estático de programas. Para superar los problemas de escalabilidad y adaptabilidad de los métodos existentes, así como sus altas tasas de falsos positivos y negativos, proponemos un enfoque de IA basado en aprendizaje automático y aprendizaje profundo. Sin embargo, los enfoques basados en IA adolecen de una dependencia significativa de la calidad y cantidad de los datos de entrenamiento. Por lo tanto, presentamos un nuevo marco para generar conjuntos de datos mediante la introducción automática de vulnerabilidades categóricas realistas en bases de código C/C++ seguras. Coordinamos múltiples agentes de IA, agentes funcionales y herramientas de análisis de código existentes que simulan el razonamiento experto. Aprovechamos la Generación Aumentada por Recuperación para establecer una base contextual y realizamos un ajuste fino eficiente del modelo mediante aproximación de bajo rango. Los resultados experimentales en 116 muestras de código en tres puntos de referencia demuestran que nuestro enfoque propuesto inyecta con éxito vulnerabilidades a nivel de función con una tasa de éxito del 89% al 95%, superando las técnicas de la competencia en términos de precisión del conjunto de datos.
