Fugu-MT 論文翻訳(概要): HF-DGF: Hybrid Feedback Guided Directed Grey-box Fuzzing

論文の概要: HF-DGF: Hybrid Feedback Guided Directed Grey-box Fuzzing

arxiv url: http://arxiv.org/abs/2506.23063v1
Date: Sun, 29 Jun 2025 02:36:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-01 21:27:53.698751
Title: HF-DGF: Hybrid Feedback Guided Directed Grey-box Fuzzing
Title（参考訳）: HF-DGF:ハイブリッドフィードバックガイドによるGrey-boxファジィ
Authors: Guangfa Lyu, Zhenzhong Cao, Xiaofei Ren, Fengyu Wang,
Abstract要約: Directed Grey-box Fuzzing (DGF)は、クラッシュの再現とパッチテストに広く採用されている技術である。本研究は、新しい配向グレーボックスファジッシングフレームワークであるHF-DGFを提示する。そのシードスケジューリングは、制御フロー距離、バリューフローの影響スコア、スライスカバレッジを統合するハイブリッドフィードバックメカニズムによってガイドされる。
参考スコア（独自算出の注目度）: 2.5274064055508174
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Directed Grey-box Fuzzing (DGF) has emerged as a widely adopted technique for crash reproduction and patch testing, leveraging its capability to precisely navigate toward target locations and exploit vulnerabilities. However, current DGF tools are constrained by insufficient runtime feedback, limiting their efficiency in reaching targets and exploring state spaces. This study presents HF-DGF, a novel directed grey-box fuzzing framework. Its seed scheduling is guided by a hybrid feedback mechanism integrating control-flow distance, value-flow influence score, and slice coverage. To enable precise control-flow distance feedback, we propose a backward-stepping algorithm to calculate basic block-level seed distances on a virtual inter-procedural control-flow graph (ICFG). For effective state space exploration, we introduce value-flow influence and a corresponding metric, the value-flow influence score. Additionally, to mitigate runtime overhead from hybrid feedback, we adopt a novel selective instrumentation strategy. Evaluations on 41 real-world vulnerabilities show HF-DGF outperforms existing tools: it achieves crash reproduction 5.05 times faster than AFL, 5.79 times faster than AFLGo, 73.75 times faster than WindRanger, 2.56 times faster than DAFL, and 8.45 times faster than Beacon on average. Notably, when all fuzzers triggered crashes, HF-DGF exhibited the lowest code coverage, demonstrating superior directionality and efficiency. It also surpasses AFLGo, WindRanger, DAFL, and Beacon in static analysis efficiency.
Abstract（参考訳）: Directed Grey-box Fuzzing (DGF)は、クラッシュ再現とパッチテストの広く採用されているテクニックとして登場し、ターゲット位置に向かって正確にナビゲートし、脆弱性を悪用する能力を活用している。しかし、現在のDGFツールは、実行時のフィードバックが不十分で、ターゲットへの到達と状態空間の探索の効率が制限されている。本研究は、新しい配向グレーボックスファジッシングフレームワークであるHF-DGFを提示する。そのシードスケジューリングは、制御フロー距離、バリューフローの影響スコア、スライスカバレッジを統合するハイブリッドフィードバックメカニズムによってガイドされる。制御-フロー距離の正確なフィードバックを可能にするために,仮想言語間制御-フローグラフ (ICFG) 上で基本ブロックレベルのシード距離を計算する。実効的な状態空間探索には,バリューフローの影響とそれに対応するメトリクス,バリューフローの影響スコアを導入する。さらに、ハイブリッドフィードバックからランタイムオーバーヘッドを軽減するために、我々は新しい選択的インスツルメンテーション戦略を採用する。 HF-DGFはAFLの5.05倍、AFLGoの5.79倍、WindRangerの73.75倍、DAFLの2.56倍、Beaconの8.45倍のクラッシュ再現を実現している。特に、すべてのファジッターがクラッシュを起こしたとき、HF-DGFはコードカバレッジが低く、方向性と効率性が優れていた。また、静的解析効率でAFLGo、WindRanger、DAFL、Beaconを上回る。

関連論文リスト

ABCDWaveNet: Advancing Robust Road Ponding Detection in Fog through Dynamic Frequency-Spatial Synergy [11.434939222396569]
道路の熟成は車両の安全、特に悪霧の環境に重大な脅威をもたらす。 ABCDWaveNetは, 動的周波数・空間シナジーを利用した新しい深層学習フレームワークである。
論文参考訳（メタデータ） (2025-04-07T14:15:48Z)
Not All Edges are Equally Robust: Evaluating the Robustness of Ranking-Based Federated Learning [49.68790647579509]
Federated Ranking Learning (FRL) は最先端のFLフレームワークであり、通信効率と中毒攻撃に対するレジリエンスで際立っている。 Vulnerable Edge Manipulation (VEM) 攻撃という, FRLに対する新たな局所モデル中毒攻撃を導入する。我々の攻撃は、全体的な53.23%の攻撃効果を達成し、既存の方法よりも3.7倍のインパクトを与える。
論文参考訳（メタデータ） (2025-03-12T00:38:14Z)
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)
AirFL-Mem: Improving Communication-Learning Trade-Off by Long-Term Memory [37.43361910009644]
本研究では,長期記憶機構を実装することでフェージングを緩和する新しいスキームであるAirFL-Memを提案する。また, フェードチャネルの存在下での電力制御に使用されるトラクションしきい値に対して, 新たな凸最適化手法を提案する。
論文参考訳（メタデータ） (2023-10-25T12:51:38Z)
NLP-based Cross-Layer 5G Vulnerabilities Detection via Fuzzing Generated Run-Time Profiling [4.893416946078254]
本稿では,5Gスタックにおける脆弱性,意図しない創発的動作,および性能劣化を自動的に検出する革新的な手法を提案する。 srsRANをパイロットとして、ファジィテストによって生成されたログ情報(LogInfo)を介して、実行時のプロファイリングをまず高次元距離空間にマッピングする。さらに、ロジスティック回帰(Logistic Regression)、K-Nearest Neighbors(K-Nearest Neighbors)、ランダムフォレスト(Random Forest)といった機械学習ベースの分類アルゴリズムを活用して、パフォーマンスとセキュリティ特性への影響を分類します。
論文参考訳（メタデータ） (2023-05-14T19:07:21Z)
Spectrum Breathing: Protecting Over-the-Air Federated Learning Against Interference [73.63024765499719]
モバイルネットワークは、近隣のセルやジャマーからの干渉によって損なわれる可能性がある。本稿では,帯域幅拡大を伴わない干渉を抑制するために,カスケード段階のプルーニングとスペクトル拡散を行うスペクトルブリーチングを提案する。呼吸深度によって制御された勾配プルーニングと干渉誘発誤差の間には,性能的トレードオフが認められた。
論文参考訳（メタデータ） (2023-05-10T07:05:43Z)
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)
Attention-based Reinforcement Learning for Real-Time UAV Semantic Communication [53.46235596543596]
移動地利用者に対する空対地超信頼性・低遅延通信(URLLC)の問題点について検討する。グラフアテンション交換ネットワーク(GAXNet)を用いたマルチエージェント深層強化学習フレームワークを提案する。 GAXNetは、最先端のベースラインフレームワークと比較して、0.0000001エラー率で6.5倍のレイテンシを実現している。
論文参考訳（メタデータ） (2021-05-22T12:43:25Z)

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。