論文の概要: Sound Call Graph Construction for Java Object Deserialization
- arxiv url: http://arxiv.org/abs/2311.00943v1
- Date: Thu, 2 Nov 2023 02:07:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 15:02:55.614807
- Title: Sound Call Graph Construction for Java Object Deserialization
- Title（参考訳）: Javaオブジェクトデシリアライズのためのサウンドコールグラフ構築
- Authors: Joanna C. S. Santos, Mehdi Mirakhorli, Ali Shokri
- Abstract要約: コールグラフ構築における音質改善によるシリアライズ処理手法であるSeecaを提案する。
我々は,信頼できないオブジェクトデシリアライズ脆弱性の検出において,音質,精度,性能,有用性に関して,我々のアプローチを評価する。
- 参考スコア（独自算出の注目度）: 4.12825661607328
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object serialization and deserialization is widely used for storing and
preserving objects in files, memory, or database as well as for transporting
them across machines, enabling remote interaction among processes and many
more. This mechanism relies on reflection, a dynamic language that introduces
serious challenges for static analyses. Current state-of-the-art call graph
construction algorithms does not fully support object
serialization/deserialization, i.e., they are unable to uncover the callback
methods that are invoked when objects are serialized and deserialized. Since
call graphs are a core data structure for multiple type of analysis (e.g.,
vulnerability detection), an appropriate analysis cannot be performed since the
call graph does not capture hidden (vulnerable) paths that occur via callback
methods. In this paper, we present Seneca, an approach for handling
serialization with improved soundness in the context of call graph
construction. Our approach relies on taint analysis and API modeling to
construct sound call graphs. We evaluated our approach with respect to
soundness, precision, performance, and usefulness in detecting untrusted object
deserialization vulnerabilities. Our results show that Seneca can create sound
call graphs with respect to serialization features. The resulting call graphs
do not incur significant overhead and were shown to be useful for performing
identification of vulnerable paths caused by untrusted object deserialization.
- Abstract（参考訳）: オブジェクトのシリアライゼーションとデシリアライゼーションは、ファイル、メモリ、データベース内のオブジェクトの保存と保存、マシン間での転送、プロセス間のリモートインタラクションなどに広く利用されている。
このメカニズムは動的言語であるリフレクションに依存しており、静的解析に深刻な課題をもたらす。
現在の最先端のコールグラフ構築アルゴリズムは、オブジェクトのシリアライズ/デシリアライズを完全にサポートしていない。
コールグラフは複数のタイプの分析(例えば脆弱性検出)のコアデータ構造であるため、コールグラフはコールバックメソッドを介して発生する隠れた(破壊可能な)パスをキャプチャしないため、適切な解析はできない。
本稿では,コールグラフ構築の文脈において,音質を改善したシリアライズ処理手法であるsenecaを提案する。
提案手法は,音声コールグラフを構築するために,テナント解析とAPIモデリングに依存する。
我々は,信頼できないオブジェクトデシリアライズ脆弱性の検出において,健全性,正確性,性能,有用性について評価した。
その結果,senecaはシリアライズ機能に関して音声通話グラフを作成できることがわかった。
結果として得られたコールグラフは大きなオーバーヘッドを伴わず、信頼できないオブジェクトデシリアライゼーションによる脆弱なパスの識別に有用であることが示されている。
関連論文リスト
- Bayesian Detector Combination for Object Detection with Crowdsourced Annotations [49.43709660948812]
制約のない画像できめ細かなオブジェクト検出アノテーションを取得するのは、時間がかかり、コストがかかり、ノイズに悩まされる。
ノイズの多いクラウドソースアノテーションでオブジェクト検出をより効果的に訓練するための新しいベイズ検出結合(BDC)フレームワークを提案する。
BDCはモデルに依存しず、アノテータのスキルレベルに関する事前の知識を必要とせず、既存のオブジェクト検出モデルとシームレスに統合される。
論文 参考訳（メタデータ） (2024-07-10T18:00:54Z) - Call Graph Soundness in Android Static Analysis [13.63189627433541]
13の静的解析ツールと1000のAndroidアプリで動的解析を実行しています。
静的解析ツールは、動的に実行されたメソッドの61%をキャプチャできなかった。
既存のアプローチは静的解析の音質を著しく改善するものではない。
論文 参考訳（メタデータ） (2024-07-10T16:23:52Z) - Multi-Scene Generalized Trajectory Global Graph Solver with Composite
Nodes for Multiple Object Tracking [61.69892497726235]
複合ノードメッセージパッシングネットワーク(CoNo-Link)は、超長いフレーム情報を関連付けるためのフレームワークである。
オブジェクトをノードとして扱う従来の方法に加えて、このネットワークは情報インタラクションのためのノードとしてオブジェクトトラジェクトリを革新的に扱う。
我々のモデルは、合成ノードを追加することで、より長い時間スケールでより良い予測を学習することができる。
論文 参考訳（メタデータ） (2023-12-14T14:00:30Z) - Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。
ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
論文 参考訳（メタデータ） (2023-05-04T16:04:41Z) - Robust Object Detection in Remote Sensing Imagery with Noisy and Sparse
Geo-Annotations (Full Version) [4.493174773769076]
本稿では,非常にノイズの多い,不完全なアノテーションを用いたオブジェクト検出器のトレーニング手法を提案する。
本手法は,教師による学習フレームワークと,不正確で欠落したアノテーションを考慮した修正モジュールに基づく。
我々は,雑音の多い実世界のリモートセンシングデータセット上で,標準検出器を37.1%$AP_50$で改善できることを実証した。
論文 参考訳（メタデータ） (2022-10-24T07:25:31Z) - AutoPruner: Transformer-Based Call Graph Pruning [7.319973664340497]
本稿では,統計的意味解析と構造解析の両方を通じて,コールグラフの偽陽性を除去する新しいコールグラフ解析手法であるAutoPrunerを提案する。
実世界のプログラムのベンチマークデータセットに対する実証的な評価は、AutoPrunerが最先端のベースラインを上回っていることを示している。
論文 参考訳（メタデータ） (2022-09-07T15:35:28Z) - Sequence Feature Extraction for Malware Family Analysis via Graph Neural
Network [0.0]
APIコールシーケンスを分析するために,AWGCN(Attention Aware Graph Neural Network)を設計,実装する。
AWGCNにより、マルウェアの挙動を解析するためのシーケンス埋め込みが得られる。
論文 参考訳（メタデータ） (2022-08-10T07:31:44Z) - RICE: Refining Instance Masks in Cluttered Environments with Graph
Neural Networks [53.15260967235835]
本稿では,インスタンスマスクのグラフベース表現を利用して,そのような手法の出力を改良する新しいフレームワークを提案する。
我々は、セグメンテーションにスマートな摂動をサンプリングできるディープネットワークと、オブジェクト間の関係をエンコード可能なグラフニューラルネットワークを訓練し、セグメンテーションを評価する。
本稿では,本手法によって生成された不確実性推定を用いてマニピュレータを誘導し,乱れたシーンを効率的に理解するアプリケーションについて紹介する。
論文 参考訳（メタデータ） (2021-06-29T20:29:29Z) - Data Augmentation for Object Detection via Differentiable Neural
Rendering [71.00447761415388]
注釈付きデータが乏しい場合、堅牢なオブジェクト検出器を訓練することは困難です。
この問題に対処する既存のアプローチには、ラベル付きデータからラベル付きデータを補間する半教師付き学習が含まれる。
オブジェクト検出のためのオフラインデータ拡張手法を導入し、新しいビューでトレーニングデータを意味的に補間する。
論文 参考訳（メタデータ） (2021-03-04T06:31:06Z) - Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
論文 参考訳（メタデータ） (2020-03-17T12:59:50Z)
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。