論文の概要: A Comparative Quality Metric for Untargeted Fuzzing with Logic State Coverage

• arxiv url: http://arxiv.org/abs/2409.14987v1
• Date: Mon, 23 Sep 2024 13:08:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 15:05:21.915171
• Title: A Comparative Quality Metric for Untargeted Fuzzing with Logic State Coverage
• Title（参考訳）: 論理状態被覆による未ターゲットファジィにおける品質基準の比較
• Authors: Gwangmu Lee,
• Abstract要約: 本稿では,観測された興味深い振る舞いをカウントするために,論理状態のカバレッジをプロキシ指標として提案する。 論理状態は、より細かい粒度の反復的(すなわちより興味深い)な振る舞いを区別し、観察された興味深い振る舞いの数に確実に比例するロジック状態のカバレッジを確実に得る。
• 参考スコア（独自算出の注目度）: 2.9914612342004503
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While fuzzing is widely accepted as an efficient program testing technique, it is still unclear how to measure the comparative quality of different fuzzers. The current de facto quality metrics are edge coverage and the number of discovered bugs, but they are frequently discredited by inconclusive, exaggerated, or even counter-intuitive results. To establish a more reliable quality metric, we first note that fuzzing aims to reduce the number of unknown abnormal behaviors by observing more interesting (i.e., relating to unknown abnormal) behaviors. The more interesting behaviors a fuzzer has observed, the stronger guarantee it can provide about the absence of unknown abnormal behaviors. This suggests that the number of observed interesting behaviors must directly indicate the fuzzing quality. In this work, we propose logic state coverage as a proxy metric to count observed interesting behaviors. A logic state is a set of satisfied branches during one execution, where its coverage is the count of individual observed logic states during a fuzzing campaign. A logic state distinguishes less repetitive (i.e., more interesting) behaviors in a finer granularity, making the amount of logic state coverage reliably proportional to the number of observed interesting behaviors. We implemented logic state coverage using a bloom filter and performed a preliminary evaluation with AFL++ and XMLLint.
• Abstract（参考訳）: ファジィングは効率的なプログラムテスト手法として広く受け入れられているが、異なるファジィザの比較品質をどのように測定するかは未だ分かっていない。 現在のデファクトの品質指標は、エッジカバレッジと発見されたバグの数ですが、決定的でない、誇張された、あるいは反直感的な結果によって、しばしば信用されません。 より信頼性の高い品質指標を確立するために、ファジィングは、より興味深い(すなわち、未知の異常に関連する)振る舞いを観察することによって、未知の異常行動の数を減らすことを目的としている。 ファジィザが観察したより興味深い行動は、未知の異常な行動がないことを確実に保証する。 このことは、観察された興味深い行動の数は、ファジィクオリティを直接示さなければならないことを示唆している。 本研究では,観察された興味深い振る舞いをカウントするためのプロキシ指標として,論理状態のカバレッジを提案する。 論理状態は、ひとつの実行中に満足した分岐のセットであり、ファジィキャンペーン中に個々の観測された論理状態のカウントである。 論理状態は、より細かい粒度の反復的(すなわちより興味深い)な振る舞いを区別し、観察された興味深い振る舞いの数に確実に比例するロジック状態のカバレッジを確実に得る。 そこで我々は,AFL++ と XMLLint を用いて論理状態カバレッジを実装し,予備評価を行った。

関連論文リスト

• SoK: Prudent Evaluation Practices for Fuzzing [21.113311952857778]
  我々は2018年から2023年にかけて発行された150枚のファジィ紙の評価を体系的に分析した。 既存のガイドラインがどのように実装され、潜在的な欠点や落とし穴を観察するかを検討する。 例えば、報告されたバグの調査では、統計的検査やファジィ評価の体系的誤りに関する既存のガイドラインを驚くほど軽視している。
  論文  参考訳（メタデータ） (2024-05-16T16:10:41Z)
• Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
  異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。 本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。 当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
  論文  参考訳（メタデータ） (2023-10-01T21:24:05Z)
• Initial State Interventions for Deconfounded Imitation Learning [11.605936648692543]
  本研究では,観測空間の歪んだ表現において,観測された共同創設者をマスキングする問題を考察する。 我々の新しいマスキングアルゴリズムは、初期システム状態に介入する通常の能力を活用している。 特定の仮定の下では、このアルゴリズムは専門家に因果的に影響を及ぼす観測を誤って隠蔽しないという意味で保守的であることを理論的に証明する。
  論文  参考訳（メタデータ） (2023-07-29T13:02:45Z)
• Fuzzing with Quantitative and Adaptive Hot-Bytes Identification [6.442499249981947]
  アメリカのファジィ・ロック(fuzzy lop)はファジィ・ロック(fuzzy lop)と呼ばれるファジィ・ロック(fuzzy lop)と呼ばれるファジィ・ロック(fuzzy lop)と呼ばれるファジィ・ロック(fuzzy lop)と呼ばれるファジィ・ロック(fuzzy lop)ツールだ。 以下の原則に基づいて設計したツールという手法を提案する。 実世界の10のプログラムとLAVA-Mデータセットによる評価結果から,ツールキーブが分岐カバレッジを持続的に増加させ,他のファザよりも多くのバグを発見できた。
  論文  参考訳（メタデータ） (2023-07-05T13:41:35Z)
• Shortcomings of Top-Down Randomization-Based Sanity Checks for Evaluations of Deep Neural Network Explanations [67.40641255908443]
  モデルランダム化に基づく正当性チェックの限界を,説明書の評価のために同定する。 トップダウンモデルランダム化は、フォワードパスアクティベーションのスケールを高い確率で保存する。
  論文  参考訳（メタデータ） (2022-11-22T18:52:38Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding [101.35070661471124]
  本研究では,観測データ分布に特徴的フットプリントが残っており,突発的・因果的影響を解消できることを示す。 汎用ソルバで実装し,高次元問題へのスケールアップが可能なスコアベース因果検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-28T11:07:59Z)
• A New Bandit Setting Balancing Information from State Evolution and Corrupted Context [52.67844649650687]
  本稿では,2つの確立されたオンライン学習問題と包括的フィードバックを組み合わせた,逐次的意思決定方式を提案する。 任意の瞬間にプレーする最適なアクションは、エージェントによって直接観察できない基礎となる変化状態に付随する。 本稿では,レフェリーを用いて,コンテキストブレイジットとマルチアームブレイジットのポリシーを動的に組み合わせるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-16T14:35:37Z)
• High-recall causal discovery for autocorrelated time series with latent confounders [12.995632804090198]
  本稿では,FCIや変種などの既存の因果発見手法が,自己相関時系列の場合,低リコールに悩まされていることを示す。 シミュレーション研究に関わるすべてのメソッドに対してPythonコードを提供します。
  論文  参考訳（メタデータ） (2020-07-03T18:01:04Z)

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。