論文の概要: DeepGo: Predictive Directed Greybox Fuzzing
- arxiv url: http://arxiv.org/abs/2507.21952v1
- Date: Tue, 29 Jul 2025 16:02:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-30 17:08:56.650263
- Title: DeepGo: Predictive Directed Greybox Fuzzing
- Title（参考訳）: DeepGo:ディレクティブ・ディレクティブのGreyboxファジィング
- Authors: Peihong Lin, Pengfei Wang, Xu Zhou, Wei Xie, Gen Zhang, Kai Lu,
- Abstract要約: DeepGoは、歴史的および予測された情報を組み合わせて、最適な経路でターゲットサイトに到達するためのステアDGFを提供する、予測指向のグレーボックスファザーである。
まず, DGFを特定の経路遷移シーケンスを通じて目標地点に到達する過程としてモデル化する経路遷移モデルを提案する。
高逆経路遷移シーケンスに対応する経路は、目標地点に到達する確率が高いことを示す。
最適経路を決定するため,ファジングモデルの強化学習を開発し,最上位のシーケンス報酬を持つ遷移列を生成する。
- 参考スコア（独自算出の注目度）: 20.493287533366384
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The state-of-the-art DGF techniques redefine and optimize the fitness metric to reach the target sites precisely and quickly. However, optimizations for fitness metrics are mainly based on heuristic algorithms, which usually rely on historical execution information and lack foresight on paths that have not been exercised yet. Thus, those hard-to-execute paths with complex constraints would hinder DGF from reaching the targets, making DGF less efficient. In this paper, we propose DeepGo, a predictive directed grey-box fuzzer that can combine historical and predicted information to steer DGF to reach the target site via an optimal path. We first propose the path transition model, which models DGF as a process of reaching the target site through specific path transition sequences. The new seed generated by mutation would cause the path transition, and the path corresponding to the high-reward path transition sequence indicates a high likelihood of reaching the target site through it. Then, to predict the path transitions and the corresponding rewards, we use deep neural networks to construct a Virtual Ensemble Environment (VEE), which gradually imitates the path transition model and predicts the rewards of path transitions that have not been taken yet. To determine the optimal path, we develop a Reinforcement Learning for Fuzzing (RLF) model to generate the transition sequences with the highest sequence rewards. The RLF model can combine historical and predicted path transitions to generate the optimal path transition sequences, along with the policy to guide the mutation strategy of fuzzing. Finally, to exercise the high-reward path transition sequence, we propose the concept of an action group, which comprehensively optimizes the critical steps of fuzzing to realize the optimal path to reach the target efficiently.
- Abstract（参考訳）: 最先端のDGF技術は、目標地点に正確に素早く到達するために、フィットネスメトリックを再定義し、最適化する。
しかしながら、フィットネス指標の最適化は主にヒューリスティックなアルゴリズムに基づいており、これは通常は過去の実行情報に依存しており、まだ実行されていないパスに対する注意を欠いている。
したがって、複雑な制約のある実行困難なパスは、DGFが目標に到達するのを妨げ、DGFの効率が低下する。
本稿では,過去の情報と予測情報を組み合わせてステアDGFを最適経路で目標地点に到達させることのできる,予測指向のグレーボックスファザであるDeepGoを提案する。
まず, DGFを特定の経路遷移シーケンスを通じて目標地点に到達する過程としてモデル化した経路遷移モデルを提案する。
突然変異によって生成された新しい種子は経路遷移を引き起こし、高逆経路遷移配列に対応する経路は、その経路を通して標的部位に到達する高い確率を示す。
そして、経路遷移とそれに対応する報酬を予測するために、深層ニューラルネットワークを用いて、経路遷移モデルを徐々に模倣し、まだ取られていない経路遷移の報酬を予測する仮想アンサンブル環境(VEE)を構築する。
最適経路を決定するため,ファジングのための強化学習(RLF)モデルを開発し,最も高いシーケンス報酬を持つ遷移列を生成する。
RLFモデルは、過去の経路遷移と予測された経路遷移を組み合わせて最適な経路遷移シーケンスを生成し、ファジィングの突然変異戦略を導出する。
最後に, ファジィングの重要なステップを包括的に最適化し, 目標に効率的に到達するための最適経路を実現するアクション群を提案する。
関連論文リスト
- Pave Your Own Path: Graph Gradual Domain Adaptation on Fused Gromov-Wasserstein Geodesics [59.07903030446756]
グラフニューラルネットワークは、グラフ上の分散シフトに対して非常に脆弱である。
非IIDグラフデータのための最初のフレームワークであるGadgetを提示する。
ガジェットは既存のグラフDAメソッドとシームレスに統合して、グラフ上の大きなシフトを処理することができる。
論文 参考訳（メタデータ） (2025-05-19T05:03:58Z) - GUIDE-CoT: Goal-driven and User-Informed Dynamic Estimation for Pedestrian Trajectory using Chain-of-Thought [9.572859785331307]
GUIDE-CoT (Chain-of-Thought) を用いた歩行者軌跡のゴール駆動およびユーザインフォームド動的推定法を提案する。
提案手法は,(1)視覚的プロンプトと事前学習された視覚的エンコーダを組み合わせた目標予測精度を向上する目標指向視覚プロンプト,(2)軌道生成のためのチェーン・オブ・シント(CoT)LLM,の2つのイノベーティブなモジュールを統合する。
提案手法は,歩行者軌道予測における精度と適応性を両立させ,最先端性能を実現する。
論文 参考訳（メタデータ） (2025-03-10T01:39:24Z) - Enhancing Path Planning Performance through Image Representation Learning of High-Dimensional Configuration Spaces [0.4143603294943439]
障害物のある未知のシーンにおける経路計画タスクを高速化する新しい手法を提案する。
高速探索ランダムツリーアルゴリズムを用いて,衝突のない経路の経路点分布を近似した。
本実験は,臨界時間制約下での経路計画タスクを高速化する有望な結果を実証する。
論文 参考訳（メタデータ） (2025-01-11T21:14:52Z) - G2LTraj: A Global-to-Local Generation Approach for Trajectory Prediction [23.181232260820373]
軌道予測のためのグローバル・ローカルな生成手法であるG2LTrajを提案する。
私たちは、将来の時間範囲全体を均一にカバーする一連のグローバルなキーステップを生成します。
このようにして、累積誤差が隣接するキーステップを超えて伝播するのを防ぐ。
論文 参考訳（メタデータ） (2024-04-30T07:53:34Z) - Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。
このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。
我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-02-07T04:11:25Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - DenseTNT: End-to-end Trajectory Prediction from Dense Goal Sets [29.239524389784606]
DenseTNTと呼ばれるアンカーフリーかつエンドツーエンドの軌道予測モデルを提案し、高密度な目標候補から一連の軌道を直接出力する。
DenseTNTは最先端のパフォーマンスを達成し、Argoverseのモーション予測ベンチマークで1位、2021年のオープンモーション予測チャレンジで1位を獲得した。
論文 参考訳（メタデータ） (2021-08-22T05:27:35Z) - Long-Horizon Visual Planning with Goal-Conditioned Hierarchical
Predictors [124.30562402952319]
未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。
視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。
本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-23T17:58:56Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2020-03-24T09:56:13Z) - Sub-Goal Trees -- a Framework for Goal-Based Reinforcement Learning [20.499747716864686]
多くのAI問題は、ロボット工学やその他の分野において、ゴールベースであり、基本的には様々な目標状態につながる軌道を求めている。
本稿では,全てのペア最短経路(APSP)問題に対する動的プログラミング方程式から導出した新しいRLフレームワークを提案する。
このアプローチは、標準的な動的プログラミングと近似動的プログラミングの両方に計算上の利点があることを示す。
論文 参考訳（メタデータ） (2020-02-27T12:32:13Z) - Gated Path Selection Network for Semantic Segmentation [72.44994579325822]
我々は,適応的な受容場を学習することを目的とした,GPSNetという新しいネットワークを開発した。
GPSNetにおいて、我々はまず2次元のマルチスケールネットワーク、SuperNetを設計する。
望ましいセマンティックコンテキストを動的に選択するために、ゲート予測モジュールがさらに導入される。
論文 参考訳（メタデータ） (2020-01-19T12:32:17Z)
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。