摘要
尽管最近取得了进展，但大型语言模型（ LLM ）仍然会生成易受攻击的代码。检索增强生成（ RAG ）具有通过整合外部安全知识来增强LLM以实现安全代码生成的潜力。然而，传统的RAG设计难以应对原始安全相关文档的噪音，现有的检索方法忽略了任务描述中隐含的重要安全语义。 为了解决这些问题，我们提出了\ textsc {Rescue} ，这是一个新的RAG框架，用于安全代码生成，具有两项关键创新。首先，我们提出了一种混合知识库构建方法，该方法将LLM辅助的集群-然后-总结蒸馏与程序切片相结合，生成高级安全指南和简洁的、以安全为中心的代码示例。 其次，我们设计了一个层次化的多方面检索，从上到下遍历构建的知识库，并在每个层次上集成多个安全关键事实，确保全面准确的检索。我们在四个基准上评估了\ textsc {Rescue} ，并将其与六个LLM的五种最先进的安全代码生成方法进行了比较。 结果表明，\ textsc {Rescue}将SecurePass @ 1指标平均提高了4.8分，从而建立了全新的最先进的安全性能。此外，我们进行了深入的分析和消融研究，以严格验证\ textsc {Rescue}中单个组件的有效性。我们的代码位于\ url {https://github.com/steven1518/RESCUE}。