Fugu-MT 論文翻訳(概要): Selecting Initial Seeds for Better JVM Fuzzing

論文の概要: Selecting Initial Seeds for Better JVM Fuzzing

arxiv url: http://arxiv.org/abs/2408.08515v1
Date: Fri, 16 Aug 2024 04:10:59 GMT
ステータス: 処理完了
システム内更新日: 2024-08-19 16:39:36.986947
Title: Selecting Initial Seeds for Better JVM Fuzzing
Title（参考訳）: JVMファジィ化のための初期種子の選択
Authors: Tianchang Gao, Junjie Chen, Dong Wang, Yile Guo, Yingquan Zhao, Zan Wang,
Abstract要約: ファジィングは、大規模なコードや複雑なコード、構文的特徴と意味的特徴の両方を持つプログラムなど、ユニークな特徴を提示する。既存の種選別法がファジィングに適しているか, プログラムカバレッジ機能を利用することで, 効果が向上するかどうかは不明だ。本研究は、ファジリングにおける初期種選択を初めて検討し、ファジリングの有効性と効率性の重要性を確認した。
参考スコア（独自算出の注目度）: 10.676082981363702
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Literature in traditional program fuzzing has confirmed that effectiveness is largely impacted by redundancy among initial seeds, thereby proposing a series of seed selection methods. JVM fuzzing, compared to traditional ones, presents unique characteristics, including large-scale and intricate code, and programs with both syntactic and semantic features. However, it remains unclear whether the existing seed selection methods are suitable for JVM fuzzing and whether utilizing program features can enhance effectiveness. To address this, we devise a total of 10 initial seed selection methods, comprising coverage-based, prefuzz-based, and program-feature-based methods. We then conduct an empirical study on three JVM implementations to extensively evaluate the performance of the seed selection methods within two SOTA fuzzing techniques (JavaTailor and VECT). Specifically, we examine performance from three aspects: (i) effectiveness and efficiency using widely studied initial seeds, (ii) effectiveness using the programs in the wild, and (iii) the ability to detect new bugs. Evaluation results first show that the program-feature-based method that utilizes the control flow graph not only has a significantly lower time overhead (i.e., 30s), but also outperforms other methods, achieving 142% to 269% improvement compared to the full set of initial seeds. Second, results reveal that the initial seed selection greatly improves the quality of wild programs and exhibits complementary effectiveness by detecting new behaviors. Third, results demonstrate that given the same testing period, initial seed selection improves the JVM fuzzing techniques by detecting more unknown bugs. Particularly, 21 out of the 25 detected bugs have been confirmed or fixed by developers. This work takes the first look at initial seed selection in JVM fuzzing, confirming its importance in fuzzing effectiveness and efficiency.
Abstract（参考訳）: 従来のプログラムファジィングの文献では、効果は初期種子の冗長性によって大きく影響され、一連の種選択法が提案されている。 JVMファジィングは、従来のファジィに比べて、大規模かつ複雑なコードや、構文的および意味的両方の特徴を持つプログラムなど、ユニークな特徴を示している。しかし,既存のシード選択法がJVMファジィングに適しているか,プログラム機能を利用することで効率が向上するかどうかは不明である。そこで本研究では,カバー範囲ベース,プレファズベース,プログラム機能ベースの10種類の初期種選択手法を考案した。次に、3つのJVM実装に関する実証的研究を行い、2つのSOTAファジリング技術(JavaTailorとVECT)におけるシード選択手法の性能を広範囲に評価する。具体的には,3つの側面からパフォーマンスについて検討する。 (i)広く研究されている初期種子を用いた有効性と効率 (二)野生のプログラムによる効果、及び (iii)新しいバグを検出する機能。評価結果から,制御フローグラフを用いたプログラム機能ベースの手法は,時間オーバーヘッドが著しく低い(30s)だけでなく,他の手法よりも優れており,初期種子の完全なセットに比べて142%から269%向上していることがわかった。第2に,初期種選択は野生のプログラムの品質を大幅に向上させ,新たな行動を検出することによって相補的効果を示すことを示した。第三に、テスト期間が同じならば、初期シード選択は、より未知のバグを検出することによって、JVMファジングテクニックを改善します。特に、検出された25のバグのうち21が、開発者によって確認または修正されている。この作業は、JVMファジングにおける最初のシード選択を初めて見て、ファジングの有効性と効率性の重要性を確認します。

関連論文リスト

Graspness Discovery in Clutters for Fast and Accurate Grasp Detection [57.81325062171676]
グレープネス(graspness)とは、散らばった場面で把握可能な領域を区別する幾何学的手がかりに基づく品質である。本研究では,探索過程を近似するカスケード把握モデルを構築した。大規模なベンチマークであるGraspNet-1Billionの実験では,提案手法が従来の手法よりも大きなマージンで優れていたことが示されている。
論文参考訳（メタデータ） (2024-06-17T02:06:47Z)
Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文参考訳（メタデータ） (2024-01-13T04:16:40Z)
You Never Get a Second Chance To Make a Good First Impression: Seeding Active Learning for 3D Semantic Segmentation [29.54515277318063]
セマンティックセグメンテーションのための3次元点雲の効率的なアノテーションのためのアクティブ学習手法であるSeedALを提案する。本実験は, ランダムシード法や既存手法と比較して, 提案手法の有効性を実証するものである。
論文参考訳（メタデータ） (2023-04-23T22:38:25Z)
A GA-like Dynamic Probability Method With Mutual Information for Feature Selection [1.290382979353427]
相互情報を用いたGADP(GA-like dynamic probability)手法を提案する。各遺伝子の確率は独立であるため、GADPの染色体変異は従来のGAよりも顕著である。提案手法の優位性を検証するため,15個のデータセット上で複数の条件下で評価を行った。
論文参考訳（メタデータ） (2022-10-21T13:30:01Z)
Improving Pre-trained Language Model Fine-tuning with Noise Stability Regularization [94.4409074435894]
本稿では,LNSR(Layerwise Noise Stability Regularization)という,新規かつ効果的な微調整フレームワークを提案する。具体的には、標準ガウス雑音を注入し、微調整モデルの隠れ表現を正規化することを提案する。提案手法は,L2-SP,Mixout,SMARTなど他の最先端アルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-06-12T04:42:49Z)
Explanation-Guided Fairness Testing through Genetic Algorithm [18.642243829461158]
本研究は遺伝的アルゴリズム(GA)を用いた説明誘導フェアネステスト手法ExpGAを提案する。 ExpGAは、解釈可能な方法によって生成された説明結果を用いて、高品質な初期種子を収集する。次に、GAを用いて、フィットネス値を最適化して識別サンプル候補を検索する。
論文参考訳（メタデータ） (2022-05-16T02:40:48Z)
Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文参考訳（メタデータ） (2022-03-23T06:24:31Z)
Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文参考訳（メタデータ） (2022-01-31T13:01:37Z)
SparseDet: Improving Sparsely Annotated Object Detection with Pseudo-positive Mining [76.95808270536318]
Pseudo- positive mining を用いてラベル付き地域とラベルなし地域を分離するエンド・ツー・エンドシステムを提案する。ラベル付き領域は通常通り処理されるが、ラベルなし領域の処理には自己教師付き学習が使用される。我々は,PASCAL-VOCとCOCOデータセットの5つの分割に対して,最先端の性能を達成するための徹底的な実験を行った。
論文参考訳（メタデータ） (2022-01-12T18:57:04Z)
Multi-Objective Optimisation of Multi-Output Neural Trees [1.000779758350696]
非支配的遺伝的ソートアルゴリズム(NSGA-III)によって訓練された進化的学習アルゴリズムである多出力ニューラルツリー(MONT)アルゴリズムを提案する。我々は、MONTの性能を評価するために、9つのベンチマーク分類学習問題を使用する。本研究におけるMONTの性能は,よく知られた分類器のセットと比較して,一連の問題よりも向上した。
論文参考訳（メタデータ） (2020-10-09T12:21:59Z)
MEUZZ: Smart Seed Scheduling for Hybrid Fuzzing [21.318110758739675]
機械学習によるハイブリッドfUZZシステム(MEUZZ) MEUZZは、過去の種スケジューリング決定から学んだ知識に基づいて、どの新しい種がより良いファジィング収量をもたらすと期待されているかを決定する。結果: MEUZZ は最先端のグレーボックスとハイブリッドファジィよりも優れていた。
論文参考訳（メタデータ） (2020-02-20T05:02:25Z)

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。