大型语言模型（LLM）生成的代码经常包含安全漏洞，且这些漏洞往往不是孤立的，而是跨多个关注领域同时出现，反映了软件安全中的横切性质。本文提出一个框架，将安全导向的蜕变关系（MR）与关联规则（AR）挖掘相结合，用于检测LLM生成代码中的漏洞，揭示其违反结构，并将该结构追溯到提示层面的风险因素。作者定义了覆盖主要CWE类别的九种MR，包括SQL注入、XSS、命令注入、路径遍历、硬编码凭证、弱密码学以及内存安全错误，并使用基于LLM的评判器对LLMSecEval基准测试中五个开源模型生成的3700个代码片段进行了评估。结果显示，68.8%的片段至少违反了一个MR，其中硬编码凭证（79.1%）和命令注入（74.4%）是最普遍的适用故障。AR挖掘揭示了强横切共违反模式：XSS和弱密码学共违反以82.5%置信度（提升度=3.23）预测硬编码凭证，并且存在紧密耦合的簇，连接认证、凭证处理和密码学弱点，以及输入处理和内存安全故障。随后进行的提示层面风险分析发现，与数据库和认证相关的提示是广泛横切不安全性的强预测因子，而65.5%的提示在五个模型上产生一致的违反结果。这些发现表明，不安全代码生成不仅是一组独立的缺陷，而是一个结构化的、由提示决定的现象，这促使采用簇感知验证和提示层面干预来实现更安全的LLM辅助编程。