Fugu-MT 論文翻訳(概要): Refining Fuzzed Crashing Inputs for Better Fault Diagnosis

論文の概要: Refining Fuzzed Crashing Inputs for Better Fault Diagnosis

arxiv url: http://arxiv.org/abs/2505.02305v2
Date: Tue, 06 May 2025 07:49:50 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-07 12:42:37.96663
Title: Refining Fuzzed Crashing Inputs for Better Fault Diagnosis
Title（参考訳）: 欠陥診断のためのファジドクラッシング入力の精細化
Authors: Kieun Kim, Seongmin Lee, Shin Hong,
Abstract要約: DiffMinは、ファジドクラッシュ入力を洗練して、与えられたパス入力と大きな類似性を得る技術である。 Magmaベンチマークによるパイロットスタディでは、DiffMinは、クラッシュとパス入力の違いを効果的に最小化することを示した。
参考スコア（独自算出の注目度）: 2.4939211359694173
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present DiffMin, a technique that refines a fuzzed crashing input to gain greater similarities to given passing inputs to help developers analyze the crashing input to identify the failure-inducing condition and locate buggy code for debugging. DiffMin iteratively applies edit actions to transform a fuzzed input while preserving the crash behavior. Our pilot study with the Magma benchmark demonstrates that DiffMin effectively minimizes the differences between crashing and passing inputs while enhancing the accuracy of spectrum-based fault localization, highlighting its potential as a valuable pre-debugging step after greybox fuzzing.
Abstract（参考訳）: DiffMinは、ファジッドクラッシュインプットを洗練し、与えられたパスインプットと類似性を高める技術で、開発者がクラッシュインプットを分析してエラー発生条件を特定し、デバッグ用のバグのあるコードを見つけるのに役立つ。 DiffMinは、クラッシュ動作を保持しながらファジィ入力を変換するために、編集アクションを反復的に適用する。 Magmaベンチマークを用いたパイロット研究により、DiffMinは、スペクトルベースの障害局所化の精度を高めつつ、クラッシュと通過の差を効果的に最小化し、グレーボックスファジリング後の貴重な事前デバッグステップとしての可能性を強調した。

関連論文リスト

Characterising the failure mechanisms of error-corrected quantum logic gates [2.5128687379089687]
超伝導量子ビットアレイ上に生成した重ヘックス符号を用いて、異なるノイズ源が誤り訂正論理にどう影響するかを調べる。読み出し期間中に発生するアイドリングエラーは、量子メモリにとって非常に有害である。シミュレーションで異なるパラメータによって、フォールトトレラント論理ゲートの忠実度に影響を与える主要なノイズ源を特定する。
論文参考訳（メタデータ） (2025-04-09T20:29:47Z)
Pipe-Cleaner: Flexible Fuzzing Using Security Policies [0.07499722271664144]
Pipe-CleanerはCコードの脆弱性を検出し解析するシステムである。これは、タグベースのランタイムリファレンスモニターによって強制されるフレキシブルな開発者設計のセキュリティポリシーに基づいている。いくつかのヒープ関連のセキュリティ脆弱性に対して、このアプローチの可能性を実証する。
論文参考訳（メタデータ） (2024-10-31T23:35:22Z)
FuzzCoder: Byte-level Fuzzing Test via Large Language Model [46.18191648883695]
我々は,攻撃を成功させることで,入力ファイルのパターンを学習するために,微調整された大言語モデル(FuzzCoder)を採用することを提案する。 FuzzCoderは、プログラムの異常な動作を引き起こすために、入力ファイル内の突然変異位置と戦略位置を予測することができる。
論文参考訳（メタデータ） (2024-09-03T14:40:31Z)
Crash Report Accumulation During Continuous Fuzzing [0.0]
本稿では,CASRツールセットの一部として,クラッシュ蓄積手法を提案し,実装する。ファジィ結果から得られた事故報告に対する我々のアプローチを評価する。
論文参考訳（メタデータ） (2024-05-28T13:36:31Z)
Validity-Preserving Delta Debugging via Generator Trace Reduction [14.24086822861706]
GReduceは、削減された有効なテスト入力を出力するジェネレータ上の他の実行を検索する。 GReduceはPersesやT-PDDなど最先端の構文ベースのリデューサを大幅に上回っている。
論文参考訳（メタデータ） (2024-02-07T07:12:27Z)
Joint Attention-Guided Feature Fusion Network for Saliency Detection of Surface Defects [69.39099029406248]
本稿では,エンコーダ・デコーダネットワークに基づく表面欠陥検出のための共同注意誘導型特徴融合ネットワーク(JAFFNet)を提案する。 JAFFNetは、主にJAFFモジュールをデコードステージに組み込んで、低レベルと高レベルの機能を適応的に融合させる。 SD- Saliency-900, Magnetic tile, and DAGM 2007 で行った実験から,本手法が他の最先端手法と比較して有望な性能を達成できたことが示唆された。
論文参考訳（メタデータ） (2024-02-05T08:10:16Z)
Improving the Robustness of Summarization Systems with Dual Augmentation [68.53139002203118]
頑健な要約システムは、入力中の特定の単語の選択やノイズに関わらず、文書のギストをキャプチャできるべきである。まず,単語レベルの同義語置換や雑音を含む摂動に対する要約モデルの頑健性について検討する。 SummAttackerを提案する。これは言語モデルに基づく対数サンプルを生成するための効率的な手法である。
論文参考訳（メタデータ） (2023-06-01T19:04:17Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
論文参考訳（メタデータ） (2022-05-16T04:24:22Z)
Solving Missing-Annotation Object Detection with Background Recalibration Loss [49.42997894751021]
本稿では,新しい,かつ困難な検出シナリオに焦点を当てる。真のオブジェクト/インスタンスの大部分は,データセットにラベル付けされていない。従来, ソフトサンプリングを用いて, 正の例と重なり合うRoIsの勾配を再重み付けする手法が提案されてきた。本稿では、予め定義されたIoU閾値と入力画像に基づいて損失信号を自動的に校正できる、バックグラウンド校正損失(BRL)と呼ばれる優れた解を提案する。
論文参考訳（メタデータ） (2020-02-12T23:11:46Z)

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。