Cet article souligne l'importance des systèmes automatisés de détection et de réparation des vulnérabilités et souligne les limites des méthodes d'analyse statique de programmes existantes. Pour surmonter les problèmes d'évolutivité et d'adaptabilité des méthodes existantes, ainsi que leurs taux élevés de faux positifs et de faux négatifs, nous proposons une approche d'IA basée sur l'apprentissage automatique et l'apprentissage profond. Cependant, les approches basées sur l'IA souffrent d'une dépendance importante à la qualité et à la quantité des données d'entraînement. Par conséquent, nous présentons un nouveau cadre pour générer des jeux de données en introduisant automatiquement des vulnérabilités catégorielles réalistes dans des bases de code C/C++ sécurisées. Nous coordonnons plusieurs agents d'IA, agents fonctionnels et outils d'analyse de code existants qui simulent le raisonnement expert. Nous exploitons la génération augmentée par récupération pour établir une base contextuelle et effectuer un affinement efficace du modèle à l'aide d'une approximation de bas rang. Les résultats expérimentaux sur 116 échantillons de code répartis sur trois benchmarks démontrent que notre approche proposée injecte avec succès des vulnérabilités au niveau fonctionnel avec un taux de réussite de 89 % à 95 %, surpassant les techniques concurrentes en termes de précision des jeux de données.
