AI生成コードの採用判断点に基づくマルチコンテキストセキュリティ診断配置方式の提案とVibeGuardによる検証

• Item type: Symposium(1)
• 公開日: 2026-09-03
• タイトル / 言語: ja
• タイトル: AI生成コードの採用判断点に基づくマルチコンテキストセキュリティ診断配置方式の提案とVibeGuardによる検証
• タイトル / 言語: en
• タイトル: Multi-Context Security Diagnosis at Code-Adoption Decision Points for AI-Generated Code: Design and Validation with VibeGuard
• 言語: jpn
• キーワード / 言語: ja
• キーワード / 主題Scheme: Other
• キーワード / 主題: コード解析・セキュリティ・テスト支援
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_5794
• 資源タイプ: conference paper
• 著者所属: 近畿大学 工学部 電子情報工学科
• 著者所属(英): en
• 著者所属(英): Department of Electronic Engineering and Computer Science, Faculty of Engineering, Kindai University
• 著者名: 近藤,悠太
• 著者名(英): Kondo Yuta
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，生成AIを利用してコードを作成する開発スタイルが普及している．生成AIは短時間で動作するコードを得られる一方，入力検証の欠落や暫定実装の残存など，十分な確認のないまま危険なコードが採用されるリスクがある．従来の静的解析やCIスキャンは主にリポジトリ取り込み後のコードを対象とし，採用が判断される複数のタイミングを一貫支援しにくい．そこで本研究では，AI生成コードの危険性を，生成時ではなく開発者がコードを採用する判断点（作成時・閲覧時・統合前）の問題として捉え，各判断点へ同一基準の診断を配置するマルチコンテキスト診断配置方式を提案する．その検証用プロトタイプとして，VS Code拡張・Chrome拡張・CLI・GitHub Actionsを共通の解析エンジンとFindingスキーマで接続するVibeGuardを構築した．また，InjectionやSecretsなどの一般的な脆弱性パターンに加え，stub，placeholder，debug flag，未完成のバリデータなど，AI生成コードに残存しやすい出荷リスクも検出対象とする．初期評価では，6言語13ファイルの脆弱サンプルから51件のFindingを検出し安全サンプルでは誤検知を観測せず，評価用PR差分でレビュー対象の警告を約97%削減し，対話的な導線に相当するワークロードを百数十ミリ秒で処理できることを確認した．さらに8言語11件の公開リポジトリへ探索的に適用し，生の検出結果にはテスト・ドキュメント由来のFindingが多く（約74%）含まれることを確認した．補正前にconfidenceがmedium以上の230件を，同一系統に属する3つの大規模言語モデルの多数決（Fleiss κ=0.856）でラベル付けした評価では，補正の下限を外した構成で本番経路上の指摘の割合が26.5%から48.8%へ向上し，その全件を維持しつつ文脈由来の指摘の約3分の2を降格できた．一方，出荷構成では重大な指摘を偽造可能なシグナルで降格しないための下限がこれをすべて押し戻すため，確認負荷は減らない．ラベルは正解ではなくモデル付与であり，本評価は探索的な初期結果である．また4導線の基盤となる2ビルド成果物は，同一入力に対し同一の診断結果を返した．本研究の貢献は新しい検出技術ではなく，採用判断点への同一エンジンの工学的統合と初期実証にある．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Coding with generative AI has become widespread. While such tools quickly produce working code, they also tend to introduce risky code that developers may adopt without enough review, such as missing input validation, simplified authentication, hardcoded secrets, and leftover placeholder implementations. Conventional static analysis and CI security scanning mainly target code that has already been merged, which is insufficient to consistently support the multiple moments at which AI-generated code is written, read, and reviewed. We propose a multi-context diagnosis-placement approach that treats the risk of AI-generated code as a problem at the developer’s adoption decision points—while writing, while reading, and before merging—rather than only at generation time, placing consistent diagnostics at each point. As a validation prototype we built VibeGuard, which connects a VS Code extension, a Chrome extension, a CLI, and a GitHub Action through a shared analysis engine and a unified Finding schema. In addition to common vulnerability patterns such as injection and secrets, it targets shipping risks that may remain in AI-generated code, such as stubs, placeholders, debug flags, and empty validators. In an initial evaluation on the bundled samples, VibeGuard detected 51 findings across 13 vulnerable samples in six languages with no false positives observed on the safe samples, reduced review-time warnings by about 97% on an evaluation PR diff, and processed the interactive workloads in around one hundred milliseconds. We also applied it exploratorily to 11 public repositories across eight languages, where about 74% of findings were located in test or documentation code. The contextual confidence adjustment deterministically downgrades findings in comments, docstrings, and test paths. On the 230 findings at medium-or-higher confidence, labeled by a jury of three large language models, the ungated configuration raised the share of production-actionable findings from 26.5% to 48.8% while retaining all of them and demoting about two thirds of the context-derived ones. The shipped configuration, however, floors the adjustment by severity so that comment- and path-based signals — which an author can rewrite at will — never demote a severe finding, and that floor holds back every demotion, so review load is unchanged. The labels were assigned by majority vote of the three models, with strong inter-judge agreement (Fleiss κ=0.856); because they are model-assigned rather than expert ground truth, we report this as an initial, exploratory result. The Node and browser build artifacts behind the four channels produced identical detection tuples with zero divergences on these inputs; end-to-end UI and Actions equivalence is left for future work. The contribution is an engineering integration and an initial empirical study rather than a new detection technique.
• 書誌情報: ソフトウェアエンジニアリングシンポジウム2026論文集; 巻 2026, p. 78-85, 発行日 2026-09-03
• 出版者 / 言語: ja
• 出版者: 情報処理学会