論文の概要: Eunomia: Enabling User-specified Fine-Grained Search in Symbolically
Executing WebAssembly Binaries
- arxiv url: http://arxiv.org/abs/2304.07204v2
- Date: Sun, 18 Jun 2023 06:05:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 12:47:14.218234
- Title: Eunomia: Enabling User-specified Fine-Grained Search in Symbolically
Executing WebAssembly Binaries
- Title(参考訳): Eunomia: WebAssemblyバイナリのシンボリック実行でユーザ指定のファイングレード検索を実現する
- Authors: Ningyu He, Zhehao Zhao, Jikai Wang, Yubin Hu, Shengjian Guo, Haoyu
Wang, Guangtai Liang, Ding Li, Xiangqun Chen, Yao Guo
- Abstract要約: Eunomiaは、ユーザがローカルドメインの知識を指定して、きめ細かい検索を可能にする、シンボリックな実行テクニックである。
WebAssemblyをターゲットとするシンボリックな実行プラットフォームとして、Eunomiaを実装しています。
Eunomiaは、現実世界のアプリケーションのバグ検出を最大3桁高速化する。
- 参考スコア(独自算出の注目度): 13.277076568699036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although existing techniques have proposed automated approaches to alleviate
the path explosion problem of symbolic execution, users still need to optimize
symbolic execution by applying various searching strategies carefully. As
existing approaches mainly support only coarse-grained global searching
strategies, they cannot efficiently traverse through complex code structures.
In this paper, we propose Eunomia, a symbolic execution technique that allows
users to specify local domain knowledge to enable fine-grained search. In
Eunomia, we design an expressive DSL, Aes, that lets users precisely pinpoint
local searching strategies to different parts of the target program. To further
optimize local searching strategies, we design an interval-based algorithm that
automatically isolates the context of variables for different local searching
strategies, avoiding conflicts between local searching strategies for the same
variable. We implement Eunomia as a symbolic execution platform targeting
WebAssembly, which enables us to analyze applications written in various
languages (like C and Go) but can be compiled into WebAssembly. To the best of
our knowledge, Eunomia is the first symbolic execution engine that supports the
full features of the WebAssembly runtime. We evaluate Eunomia with a dedicated
microbenchmark suite for symbolic execution and six real-world applications.
Our evaluation shows that Eunomia accelerates bug detection in real-world
applications by up to three orders of magnitude. According to the results of a
comprehensive user study, users can significantly improve the efficiency and
effectiveness of symbolic execution by writing a simple and intuitive Aes
script. Besides verifying six known real-world bugs, Eunomia also detected two
new zero-day bugs in a popular open-source project, Collections-C.
- Abstract(参考訳): 既存の手法ではシンボリック実行のパス爆発問題を軽減するための自動アプローチが提案されているが、ユーザは様々な探索戦略を慎重に適用してシンボリック実行を最適化する必要がある。
既存のアプローチは粗粒度のグローバル検索戦略のみをサポートするため、複雑なコード構造を効率的に横断することはできない。
本稿では,局所的なドメイン知識を指定して,きめ細かい検索を可能にするシンボル実行手法であるEunomiaを提案する。
Eunomiaでは、ユーザーがターゲットプログラムの異なる部分にローカル検索戦略を正確に特定できる表現型DSL、Aesを設計する。
局所探索戦略をさらに最適化するために,異なる局所探索戦略に対して変数のコンテキストを自動的に分離し,同じ変数に対する局所探索戦略間の競合を回避する区間ベースのアルゴリズムを設計する。
WebAssemblyをターゲットにしたシンボリック実行プラットフォームとして、Eunomiaを実装しています。これにより、さまざまな言語(CやGoなど)で書かれたアプリケーションを解析できますが、WebAssemblyにコンパイルすることができます。
私たちの知る限りでは、EunomiaはWebAssemblyランタイムの全機能をサポートする最初のシンボリックな実行エンジンです。
シンボリック実行のためのマイクロベンチマークスイートと6つの実世界のアプリケーションを用いて,Eunomiaの評価を行った。
評価の結果,Eunomiaは実世界のアプリケーションにおけるバグ検出を最大3桁高速化することがわかった。
総合的なユーザスタディの結果によると、ユーザはシンプルで直感的なAesスクリプトを書くことで、シンボリック実行の効率と効率を大幅に改善することができる。
既知の6つの実世界のバグの検証に加えて、Eunomia氏は人気のあるオープンソースプロジェクトである Collections-C で2つのゼロデイバグも検出した。
関連論文リスト
- Evolutionary Neural Architecture Search for Transformer in Knowledge
Tracing [8.779571123401185]
本稿では,入力特徴選択を自動化する進化的ニューラルアーキテクチャ探索手法を提案し,ローカル・グローバル・コンテキスト・モデリングのバランシングを実現するためにどの操作を適用すべきかを自動決定する。
2つの最大かつ最も困難な教育データセットの実験結果は、提案手法によって発見されたアーキテクチャの有効性を実証している。
論文 参考訳(メタデータ) (2023-10-02T13:19:33Z) - Pluvio: Assembly Clone Search for Out-of-domain Architectures and
Libraries through Transfer Learning and Conditional Variational Information
Bottleneck [6.230859543111394]
アセンブリクローン検索は、リリースされた実行ファイルの再利用によって生じる脆弱性のあるコードを特定するのに有効である。
組立クローン探索に関する最近の研究は、組立コードの変種に合わせて機械学習に基づく手法を用いる傾向を示している。
本稿では,大規模な事前学習型自然言語モデルによる人間の共通知識を,移動学習の形で,組立クローン探索のための現在の学習に基づくアプローチに組み込むことを提案する。
論文 参考訳(メタデータ) (2023-07-20T06:55:37Z) - Construction of Hierarchical Neural Architecture Search Spaces based on
Context-free Grammars [66.05096551112932]
文脈自由文法に基づく統一検索空間設計フレームワークを提案する。
それらの特性の強化と利用により,完全なアーキテクチャの探索を効果的に行うことができる。
既存のニューラルアーキテクチャ検索手法よりも検索戦略が優れていることを示す。
論文 参考訳(メタデータ) (2022-11-03T14:23:00Z) - Efficient Non-Parametric Optimizer Search for Diverse Tasks [93.64739408827604]
興味のあるタスクを直接検索できる,スケーラブルで汎用的なフレームワークを初めて提示する。
基礎となる数学表現の自然木構造に着想を得て、空間を超木に再配置する。
我々は,モンテカルロ法を木探索に適用し,レジェクションサンプリングと等価形状検出を備える。
論文 参考訳(メタデータ) (2022-09-27T17:51:31Z) - Autoregressive Search Engines: Generating Substrings as Document
Identifiers [53.0729058170278]
自動回帰言語モデルは、回答を生成するデファクト標準として現れています。
これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。
本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
論文 参考訳(メタデータ) (2022-04-22T10:45:01Z) - FindIt: Generalized Localization with Natural Language Queries [43.07139534653485]
FindItは、さまざまな視覚的グラウンドとローカライゼーションタスクを統合する、シンプルで汎用的なフレームワークである。
我々のアーキテクチャの鍵は、異なるローカライゼーション要求を統一する効率的なマルチスケール融合モジュールである。
エンドツーエンドのトレーニング可能なフレームワークは、幅広い参照表現、ローカライゼーション、検出クエリに柔軟かつ正確に対応します。
論文 参考訳(メタデータ) (2022-03-31T17:59:30Z) - Approximate Neural Architecture Search via Operation Distribution
Learning [4.358626952482686]
アーキテクチャセルが与えられた場合、その性能は使用した操作の比率に大きく依存することを示す。
この直感は特定の探索戦略であり、多様なNASアルゴリズムに適用することができる。
論文 参考訳(メタデータ) (2021-11-08T17:38:29Z) - Making Differentiable Architecture Search less local [9.869449181400466]
微分可能なニューラルネットワークアーキテクチャ検索(DARTS)は、検索効率を劇的に向上させる有望なNASアプローチである。
これは、検索がしばしば有害なアーキテクチャにつながるパフォーマンスの崩壊に苦しむことが示されています。
DARTS問題の定式化を変更することなく、空間をよりよく探索できる、よりグローバルな最適化スキームを開発する。
論文 参考訳(メタデータ) (2021-04-21T10:36:43Z) - Target-Aware Object Discovery and Association for Unsupervised Video
Multi-Object Segmentation [79.6596425920849]
本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。
より正確で効率的な時間区分のための新しいアプローチを紹介します。
DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-04-10T14:39:44Z) - CATCH: Context-based Meta Reinforcement Learning for Transferrable
Architecture Search [102.67142711824748]
CATCHは、転送可能なarChitecture searcHのための、Context-bAsed meTa強化学習アルゴリズムである。
メタラーニングとRLの組み合わせにより、CATCHは検索空間に依存しないまま、新しいタスクに効率的に適応できる。
また、ImageNet、COCO、Cityscapesの競合ネットワークとしてクロスドメインアーキテクチャサーチを扱うこともできる。
論文 参考訳(メタデータ) (2020-07-18T09:35:53Z) - AutoSTR: Efficient Backbone Search for Scene Text Recognition [80.7290173000068]
テキストインスタンスの多様性とシーンの複雑さのため、シーンテキスト認識(STR)は非常に難しい。
テキスト認識性能を向上させるために,データ依存のバックボーンを検索するための自動STR(AutoSTR)を提案する。
実験によると、データ依存のバックボーンを検索することで、AutoSTRは標準ベンチマークにおける最先端のアプローチより優れている。
論文 参考訳(メタデータ) (2020-03-14T06:51:04Z)
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。