論文の概要: AutoStub: Genetic Programming-Based Stub Creation for Symbolic Execution

• arxiv url: http://arxiv.org/abs/2509.08524v1
• Date: Wed, 10 Sep 2025 12:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.414801
• Title: AutoStub: Genetic Programming-Based Stub Creation for Symbolic Execution
• Title（参考訳）: AutoStub: シンボル実行のための遺伝的プログラミングベースのスタブ作成
• Authors: Felix Mächtle, Nils Loose, Jan-Niclas Serr, Jonas Sander, Thomas Eisenbarth,
• Abstract要約: シンボル実行中に外部関数のシンボルスタブを自動的に生成する新しい手法を提案する。 AutoStubは、ランダムに生成された入力で関数を実行し、出力を収集することで、トレーニングデータを生成する。 評価した関数の55%に対して,AutoStubは90%以上の精度で外部関数を自動近似できることを実証した。
• 参考スコア（独自算出の注目度）: 4.340954888479092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Symbolic execution is a powerful technique for software testing, but suffers from limitations when encountering external functions, such as native methods or third-party libraries. Existing solutions often require additional context, expensive SMT solvers, or manual intervention to approximate these functions through symbolic stubs. In this work, we propose a novel approach to automatically generate symbolic stubs for external functions during symbolic execution that leverages Genetic Programming. When the symbolic executor encounters an external function, AutoStub generates training data by executing the function on randomly generated inputs and collecting the outputs. Genetic Programming then derives expressions that approximate the behavior of the function, serving as symbolic stubs. These automatically generated stubs allow the symbolic executor to continue the analysis without manual intervention, enabling the exploration of program paths that were previously intractable. We demonstrate that AutoStub can automatically approximate external functions with over 90% accuracy for 55% of the functions evaluated, and can infer language-specific behaviors that reveal edge cases crucial for software testing.
• Abstract（参考訳）: シンボリック実行は、ソフトウェアテストの強力なテクニックであるが、ネイティブメソッドやサードパーティライブラリといった外部機能に遭遇する際の制限に悩まされている。 既存のソリューションは、しばしば、シンボルスタブを通してこれらの機能を近似するために、追加のコンテキスト、高価なSMTソルバ、手動の介入を必要とする。 そこで本研究では,遺伝的プログラミングを利用したシンボル実行中に外部関数のシンボルスタブを自動的に生成する手法を提案する。 シンボルエグゼキュータが外部機能に遭遇すると、AutoStubはランダムに生成された入力に対して関数を実行し、出力を収集することでトレーニングデータを生成する。 遺伝的プログラミングは、関数の振舞いを近似した表現を導出し、シンボリックスタブとして機能する。 これらの自動的に生成されたスタブは、記号的な実行者が手作業による介入なしに分析を継続できるようにし、以前は難解だったプログラムパスの探索を可能にした。 評価された55%の関数に対して、AutoStubは90%以上の精度で外部関数を自動的に近似でき、ソフトウェアテストに不可欠なエッジケースを明らかにする言語固有の振る舞いを推測できることを示した。

関連論文リスト

• AutoCodeSherpa: Symbolic Explanations in AI Coding Agents [10.706082274730734]
  大きな言語モデル(LLM)エージェントは、特定のタスクを達成するために、1つ以上のLLMの上に外部ツールを自律的に使用する。 近年,ソフトウェア工学タスクのLLMエージェントが普及している。 これはAutoCodeRoverやSpecRoverといった、プログラムの自動修復を実行する既存のエージェントAIソリューションによって実証されている。
  論文  参考訳（メタデータ） (2025-07-30T06:34:02Z)
• Automated Synthesis of Formally Verified Multi-Abstraction Function Summaries [19.23701821549906]
  本稿では,記号実行,大規模言語モデル(LLM),および相対的最強ポストコンディション(RSP)を生成するための形式検証を組み合わせた新しいフレームワークを提案する。 我々のアプローチは、VST-Aのシンボル的実行を利用して、プログラムの実行パスと状態遷移を正確に追跡する。 生成したRSPから,ドメイン固有言語内で表現される最強の非冗長な条件を自動で合成する。
  論文  参考訳（メタデータ） (2025-06-11T09:33:02Z)
• Scaling Symbolic Execution to Large Software Systems [0.0]
  シンボル実行は、プログラム検証とバグ検出ソフトウェアの両方で使用される一般的な静的解析手法である。 我々は、Clang Static Analyzerと呼ばれるエラー検出フレームワークと、その周辺に構築されたインフラストラクチャーであるCodeCheckerに焦点を当てた。
  論文  参考訳（メタデータ） (2024-08-04T02:54:58Z)
• FoC: Figure out the Cryptographic Functions in Stripped Binaries with LLMs [51.898805184427545]
  削除されたバイナリの暗号関数を抽出するFoCと呼ばれる新しいフレームワークを提案する。 まず、自然言語における暗号関数のセマンティクスを要約するために、バイナリ大言語モデル(FoC-BinLLM)を構築した。 次に、FoC-BinLLM上にバイナリコード類似モデル(FoC-Sim)を構築し、変更に敏感な表現を作成し、データベース内の未知の暗号関数の類似実装を検索する。
  論文  参考訳（メタデータ） (2024-03-27T09:45:33Z)
• FIND: A Function Description Benchmark for Evaluating Interpretability Methods [86.80718559904854]
  本稿では,自動解釈可能性評価のためのベンチマークスイートであるFIND(Function Interpretation and Description)を紹介する。 FINDには、トレーニングされたニューラルネットワークのコンポーネントに似た機能と、私たちが生成しようとしている種類の記述が含まれています。 本研究では、事前訓練された言語モデルを用いて、自然言語とコードにおける関数の振る舞いの記述を生成する手法を評価する。
  論文  参考訳（メタデータ） (2023-09-07T17:47:26Z)
• Induction and Exploitation of Subgoal Automata for Reinforcement Learning [75.55324974788475]
  本稿では,Regressed Learning (RL)タスクにおけるサブゴールの学習と活用のためのISAを提案する。 ISAは、タスクのサブゴールによってエッジがラベル付けされたオートマトンであるサブゴールオートマトンを誘導することで強化学習をインターリーブする。 サブゴールオートマトンはまた、タスクの完了を示す状態と、タスクが成功せずに完了したことを示す状態の2つの特別な状態で構成されている。
  論文  参考訳（メタデータ） (2020-09-08T16:42:55Z)

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。