本文针对源代码中硬编码密钥（hardcoded secrets）的检测问题展开研究。传统基于正则表达式的方法依赖可识别的模式，但真实密钥往往缺乏固定格式，导致精确率和召回率都不理想。近年来的方法尝试利用上下文信息，通过分析候选字符串周围的代码来推断其用途，但面临三个关键挑战：一是混淆鲁棒性差，模型过度依赖容易被混淆的标识符；二是跨语言泛化困难，原因是训练数据在不同语言上分布不均；三是上下文过长且噪声多，引入大量无关词元并拖慢推理速度。作者观察到，字符串字面量本身是代码语义的关键信息来源，具有较高的上下文密度、较好的混淆鲁棒性和语言无关性。基于此，他们提出 StringGroup，一种新颖的上下文提取算法，通过挖掘潜在密钥周围的字符串来构建更有针对性的上下文。该算法对现有检测模式进行简单修改，将分析范围缩小到字符串字面量，从而仅使用原有上下文的 33.2% 就能保留超过 80% 的语义信息，显著提高了秘密检测的信噪比。在此基础上，作者设计了基于 StringGroup 和 Transformer 模型的上下文感知秘密检测工具 Secretron。在 SecretBench 数据集上的评估显示，其 F1 分数达到 98.74%，并且在混淆和跨语言场景下具有很强的鲁棒性，优于当前最先进的基于 LLM 的基线方法。此外，作者已在真实环境中部署该工具，从 26 个应用中成功检测到 48 个此前未知的秘密密钥，验证了其实际有效性。本文适合软件安全研究人员、DevSecOps 工程师以及关注源码泄露防护的安全团队阅读。