論文の概要: Toward Unbiased Multiple-Target Fuzzing with Path Diversity

• arxiv url: http://arxiv.org/abs/2310.12419v1
• Date: Thu, 19 Oct 2023 02:12:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 02:03:55.755505
• Title: Toward Unbiased Multiple-Target Fuzzing with Path Diversity
• Title（参考訳）: 経路の多様性を考慮した無バイアス多目的ファジィ化に向けて
• Authors: Huanyao Rong, Wei You, Xiaofeng Wang, Tianhao Mao,
• Abstract要約: AFLRunと呼ばれる新しいファジリングソリューションを提案し、目標経路の多様性と非バイアスエネルギーの割り当てを特徴とする。 我々は,プロトタイプシステムを構築し,その性能を標準ベンチマークと広範囲にファジドされた実世界のアプリケーションを用いて評価した。
• 参考スコア（独自算出の注目度）: 9.589082419675929
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a novel directed fuzzing solution named AFLRun, which features target path-diversity metric and unbiased energy assignment. Firstly, we develop a new coverage metric by maintaining extra virgin map for each covered target to track the coverage status of seeds that hit the target. This approach enables the storage of waypoints into the corpus that hit a target through interesting path, thus enriching the path diversity for each target. Additionally, we propose a corpus-level energy assignment strategy that guarantees fairness for each target. AFLRun starts with uniform target weight and propagates this weight to seeds to get a desired seed weight distribution. By assigning energy to each seed in the corpus according to such desired distribution, a precise and unbiased energy assignment can be achieved. We built a prototype system and assessed its performance using a standard benchmark and several extensively fuzzed real-world applications. The evaluation results demonstrate that AFLRun outperforms state-of-the-art fuzzers in terms of vulnerability detection, both in quantity and speed. Moreover, AFLRun uncovers 29 previously unidentified vulnerabilities, including 8 CVEs, across four distinct programs.
• Abstract（参考訳）: 本稿では,目標経路の多様性と非バイアスエネルギーの割り当てを特徴とするAFLRunというファジリング手法を提案する。 まず, 対象とする種子の被覆状況を追跡するために, 対象対象ごとの余分なヴァージンマップを維持することで, 新たなカバレッジ指標を開発する。 このアプローチにより、興味深いパスを通じてターゲットにヒットするコーパスへのウェイポイントの格納が可能になり、各ターゲットに対するパスの多様性が強化される。 さらに,各目標に対する公平性を保証するコーパスレベルのエネルギー割り当て戦略を提案する。 AFLRunは、均一な目標重量から始まり、この重量を種子に伝播させ、所望の種子重量分布を得る。 コーパス内の各種にそのような所望の分布に従ってエネルギーを割り当てることにより、精密で偏りのないエネルギー割り当てが達成される。 我々は,プロトタイプシステムを構築し,その性能を標準ベンチマークと広範囲にファジドされた実世界のアプリケーションを用いて評価した。 その結果, AFLRunは, 脆弱性検出において, 量, 速度ともに, 最先端のファズーよりも優れていた。 さらに、AFLRunは4つの異なるプログラムにまたがる8つのCVEを含む29の未確認脆弱性を明らかにした。

関連論文リスト

• ISC4DGF: Enhancing Directed Grey-box Fuzzing with LLM-Driven Initial Seed Corpus Generation [32.6118621456906]
  ディレクトグレーボックスファジィング(DGF)は、特定の脆弱性に焦点を絞って必須となっている。 ISC4DGFはLarge Language Models (LLMs) を用いてDGFのための最適化された初期シードコーパスを生成する ISC4DGFは35.63倍のスピードアップと616.10倍の目標到達を達成した。
  論文  参考訳（メタデータ） (2024-09-22T06:27:28Z)
• Generalized Universal Domain Adaptation with Generative Flow Networks [76.1350941965148]
  Generalized Universal Domain Adaptationは、未知のカテゴリを含む全てのターゲットラベルの正確な予測を実現することを目的としている。 GUDAはラベル分布シフトベースとラベル空間ミスマッチベースとのギャップを埋める。 本稿では,報酬関数に比例した確率を持つ多種多様なサンプルを選択する,GFlowDAというドメイン適応アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-08T05:34:15Z)
• Object-fabrication Targeted Attack for Object Detection [54.10697546734503]
  物体検出の敵攻撃は 標的攻撃と未標的攻撃を含む。 新たなオブジェクトファブリケーションターゲット攻撃モードは、特定のターゲットラベルを持つ追加の偽オブジェクトをファブリケートする検出器を誤解させる可能性がある。
  論文  参考訳（メタデータ） (2022-12-13T08:42:39Z)
• Benchmarking Adversarial Patch Against Aerial Detection [11.591143898488312]
  適応パッチに基づく新しい物理攻撃(AP-PA)フレームワークを提案する。 AP-PAは、物理力学と様々なスケールに適応する逆パッチを生成する。 航空探知作業における敵パッチの攻撃効果を評価するため, 包括的, 一貫性, 厳密なベンチマークを最初に確立した。
  論文  参考訳（メタデータ） (2022-10-30T07:55:59Z)
• GKNet: grasp keypoint network for grasp candidates detection [15.214390498300101]
  本稿では、キーポイント検出として扱うことにより、検出を把握するための異なるアプローチを提案する。 ディープネットワークは、各グリップ候補を一対のキーポイントとして検出し、コーナーポイントの三重項や四重項ではなく、グリップ表現g = x, y, w,thetaTに変換する。
  論文  参考訳（メタデータ） (2021-06-16T00:34:55Z)
• On Generating Transferable Targeted Perturbations [102.3506210331038]
  伝達性の高い標的摂動に対する新しい生成的アプローチを提案する。 私たちのアプローチは、ターゲットクラスの「乱れた画像分布」にマッチし、高いターゲット転送率につながります。
  論文  参考訳（メタデータ） (2021-03-26T17:55:28Z)
• Learning Multi-Agent Coordination for Enhancing Target Coverage in Directional Sensor Networks [19.80217434746067]
  本稿では,階層的対象指向型マルチエージェントコーディネーション(HiT-MAC)を提案する。 具体的には、コーディネータは、定期的に環境を監視し、各エグゼキュータにターゲットを割り当てる。 代わりに、実行者は割り当てられたターゲットを追跡するだけでよい。
  論文  参考訳（メタデータ） (2020-10-25T13:07:03Z)
• Corner Proposal Network for Anchor-free, Two-stage Object Detection [174.59360147041673]
  オブジェクト検出の目標は、画像内のオブジェクトのクラスと位置を決定することである。 本稿では,多数のオブジェクト提案を抽出する新しいアンカーフリー2段階フレームワークを提案する。 この2つの段階が,リコールと精度の向上に有効な解であることを示す。
  論文  参考訳（メタデータ） (2020-07-27T19:04:57Z)
• AutoAssign: Differentiable Label Assignment for Dense Object Detection [94.24431503373884]
  Auto COCOは、物体検出のためのアンカーフリー検出器である。 外観認識は、完全に微分可能な重み付け機構によって実現される。 我々の最良のモデルでは52.1%のAPが達成され、既存の1段検出器よりも優れている。
  論文  参考訳（メタデータ） (2020-07-07T14:32:21Z)
• MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
  本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。 利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。 本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
  論文  参考訳（メタデータ） (2020-06-11T17:14:55Z)

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。