यह शोधपत्र स्वचालित भेद्यता पहचान और सुधार प्रणालियों के महत्व पर ज़ोर देता है और मौजूदा स्थिर प्रोग्राम विश्लेषण विधियों की सीमाओं को इंगित करता है। मौजूदा विधियों की मापनीयता और अनुकूलनशीलता संबंधी समस्याओं, साथ ही उनकी उच्च मिथ्या सकारात्मक और मिथ्या नकारात्मक दरों को दूर करने के लिए, हम मशीन लर्निंग और डीप लर्निंग पर आधारित एक AI दृष्टिकोण प्रस्तावित करते हैं। हालाँकि, AI-आधारित दृष्टिकोण प्रशिक्षण डेटा की गुणवत्ता और मात्रा पर काफ़ी हद तक निर्भर करते हैं। इसलिए, हम सुरक्षित C/C++ कोडबेस में यथार्थवादी, श्रेणीबद्ध भेद्यताओं को स्वचालित रूप से प्रस्तुत करके डेटासेट उत्पन्न करने के लिए एक नया ढाँचा प्रस्तुत करते हैं। हम कई AI एजेंटों, कार्यात्मक एजेंटों और मौजूदा कोड विश्लेषण उपकरणों का समन्वय करते हैं जो विशेषज्ञ तर्क का अनुकरण करते हैं। हम एक प्रासंगिक आधार स्थापित करने के लिए पुनर्प्राप्ति-संवर्धित पीढ़ी का लाभ उठाते हैं, और निम्न-रैंक सन्निकटन का उपयोग करके कुशल मॉडल फ़ाइन-ट्यूनिंग करते हैं। तीन बेंचमार्क में 116 कोड नमूनों पर किए गए प्रायोगिक अध्ययनों से पता चलता है कि हमारा प्रस्तावित दृष्टिकोण 89% से 95% की सफलता दर के साथ फ़ंक्शन स्तर पर भेद्यताओं को सफलतापूर्वक इंजेक्ट करता है, जो डेटासेट सटीकता के मामले में प्रतिस्पर्धी तकनीकों से बेहतर प्रदर्शन करता है।
