論文の概要: FuSeBMC v.4: Smart Seed Generation for Hybrid Fuzzing

• arxiv url: http://arxiv.org/abs/2112.10627v1
• Date: Mon, 20 Dec 2021 15:41:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-04 00:55:53.263744
• Title: FuSeBMC v.4: Smart Seed Generation for Hybrid Fuzzing
• Title（参考訳）: FuSeBMC v.4: ハイブリッドファジィのためのスマートシード生成
• Authors: Kaled M. Alshmrany, Mohannad Aldughaim, Ahmed Bhayat, and Lucas C. Cordeiro
• Abstract要約: FuSeBMCは、Cプログラムのセキュリティ脆弱性を見つけるためのテストジェネレータである。 本稿では,両エンジンでスマートシードを生産する新バージョンを紹介する。 昨年のコードカバレッジスコアは大幅に向上し、今年のコンペに参加したすべてのツールを、すべてのカテゴリで上回りました。
• 参考スコア（独自算出の注目度）: 0.9379652654427957
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: FuSeBMC is a test generator for finding security vulnerabilities in C programs. In earlier work [4], we described a previous version that incrementally injected labels to guide Bounded Model Checking (BMC) and Evolutionary Fuzzing engines to produce test cases for code coverage and bug finding. This paper introduces a new version of FuSeBMC that utilizes both engines to produce smart seeds. First, the engines are run with a short time limit on a lightly instrumented version of the program to produce the seeds. The BMC engine is particularly useful in producing seeds that can pass through complex mathematical guards. Then, FuSeBMC runs its engines with more extended time limits using the smart seeds created in the previous round. FuSeBMC manages this process in two main ways using its Tracer subsystem. Firstly, it uses shared memory to record the labels covered by each test case. Secondly, it evaluates test cases, and those of high impact are turned into seeds for subsequent test fuzzing. As a result, we significantly increased our code coverage score from last year, outperforming all tools that participated in this year's competition in every single category.
• Abstract（参考訳）: FuSeBMCは、Cプログラムのセキュリティ脆弱性を見つけるためのテストジェネレータである。 以前の作業[4]では、ラベルをインクリメンタルに注入してbmc(bounded model checking)と進化的ファジングエンジンをガイドし、コードカバレッジとバグ発見のためのテストケースを作成しました。 本稿では,両エンジンでスマートシードを生産するFuSeBMCの新バージョンを紹介する。 第一に、エンジンは種子を生産するためにプログラムの軽量版に対して短時間の制限で実行される。 BMCエンジンは複雑な数学的ガードを通過することができる種を生成するのに特に有用である。 そしてFuSeBMCは、前回のラウンドで作られたスマートシードを使って、より長い時間でエンジンを動かす。 FuSeBMCはこのプロセスをTracerサブシステムを使って2つの方法で管理している。 まず、共有メモリを使用して各テストケースでカバーされたラベルを記録する。 第2に, テストケースの評価を行い, 衝撃の高いものを種にし, その後のテストファジィングを行う。 その結果、昨年のコードカバレッジスコアは大幅に向上し、今年のコンペに参加したすべてのツールを、すべてのカテゴリで上回りました。

関連論文リスト

• LiveBench: A Challenging, Contamination-Free LLM Benchmark [101.21578097087699]
  最近の情報ソースから頻繁に更新された質問を含む最初のベンチマークであるLiveBenchをリリースする。 我々は、多くの著名なクローズドソースモデルと、0.5Bから110Bまでの数十のオープンソースモデルを評価した。 質問は毎月追加され、更新されるので、時間とともに新しいタスクとより難しいバージョンのタスクをリリースします。
  論文  参考訳（メタデータ） (2024-06-27T16:47:42Z)
• STAT: Shrinking Transformers After Training [72.0726371426711]
  微調整なしで変圧器モデルを作成するための簡単なアルゴリズムSTATを提案する。 STATは、次の層の重みを補正して精度を保ちながら、注意頭とニューロンの両方をネットワークから排除する。 われわれのアルゴリズムは、BERTを圧縮するのに数分を要し、単一のGPUを用いて7Bパラメータを持つモデルを圧縮するのに3時間もかからない。
  論文  参考訳（メタデータ） (2024-05-29T22:59:11Z)
• FuSeBMC AI: Acceleration of Hybrid Approach through Machine Learning [3.2815052047959874]
  FuSeBMC-AIは、機械学習技術に基づくテスト生成ツールである。 FuSeBMC-AIはプログラムから様々な特徴を抽出し、サポートベクターマシンとニューラルネットワークモデルを用いてハイブリッドアプローチの最適構成を予測する。
  論文  参考訳（メタデータ） (2024-04-09T05:34:19Z)
• Fuzzing BusyBox: Leveraging LLM and Crash Reuse for Embedded Bug Unearthing [2.4287247817521096]
  BusyBoxの脆弱性は、はるかに大きな結果をもたらす可能性がある。 この研究は、現実の組み込み製品で古いBusyBoxバージョンが普及していることを明らかにした。 ソフトウェアテストの強化のための2つのテクニックを紹介します。
  論文  参考訳（メタデータ） (2024-03-06T17:57:03Z)
• Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
  本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。 既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。 本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
  論文  参考訳（メタデータ） (2023-10-08T10:08:21Z)
• Parallel Approaches to Accelerate Bayesian Decision Trees [1.9728521995447947]
  本稿では,MCMCにおける並列性を利用した2つの手法を提案する。 第一に、MCMCを別の数値ベイズ的アプローチで置き換える。 第2に、データのパーティショニングについて検討する。
  論文  参考訳（メタデータ） (2023-01-22T09:56:26Z)
• General Cutting Planes for Bound-Propagation-Based Neural Network Verification [144.7290035694459]
  任意の切削平面制約を加えることができるような境界伝搬手順を一般化する。 MIPソルバは、境界プロパゲーションベースの検証器を強化するために高品質な切削面を生成することができる。 本手法は,oval20ベンチマークを完全解き,oval21ベンチマークの2倍のインスタンスを検証できる最初の検証器である。
  論文  参考訳（メタデータ） (2022-08-11T10:31:28Z)
• FuSeBMC v4: Improving code coverage with smart seeds via BMC, fuzzing and static analysis [2.792964753261107]
  FuSeBMC v4は、種子を有用な性質で合成するテストジェネレータである。 FuSeBMCは、まず所定のCプログラムにゴールラベルをインクリメンタルにインジェクションすることで機能する。
  論文  参考訳（メタデータ） (2022-06-28T15:13:37Z)
• Masked Autoencoders for Generic Event Boundary Detection CVPR'2022 Kinetics-GEBD Challenge [11.823891739821443]
  ジェネリックイベント境界検出(GEBD)タスクは、ビデオ全体をチャンクに分割する、ジェネリックで分類のないイベント境界を検出することを目的としている。 本稿では,GABDタスクにおけるアルゴリズム性能向上のためにMasked Autoencodersを適用した。 我々のアプローチでは、2021年のキネティクス-GEBDチャレンジの勝者と比較してF1スコアを2.31%改善したKinetics-GEBDテストセットのF1スコアで85.94%を達成した。
  論文  参考訳（メタデータ） (2022-06-17T08:10:27Z)
• Knowledge Removal in Sampling-based Bayesian Inference [86.14397783398711]
  単一のデータ削除要求が来ると、企業は大量のリソースで学んだモデル全体を削除する必要があるかもしれない。 既存の研究は、明示的にパラメータ化されたモデルのためにデータから学んだ知識を取り除く方法を提案する。 本稿では,MCMCのための機械学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-24T10:03:01Z)
• Explicit Memory Tracker with Coarse-to-Fine Reasoning for Conversational Machine Reading [177.50355465392047]
  本稿では,EMT(Explicit Memory Tracker)を用いた会話機械読取フレームワークを提案する。 我々のフレームワークは、粗大な推論戦略を採用することによって、明確化の質問を生成する。 EMTは74.6%のマイクロ平均決定精度と49.5BLEU4の新たな最先端結果を達成する。
  論文  参考訳（メタデータ） (2020-05-26T02:21:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。