論文の概要: Beyond Tag Collision: Cluster-based Memory Management for Tag-based Sanitizers

• arxiv url: http://arxiv.org/abs/2509.09089v1
• Date: Thu, 11 Sep 2025 01:48:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.195895
• Title: Beyond Tag Collision: Cluster-based Memory Management for Tag-based Sanitizers
• Title（参考訳）: Tag Collisionを超えて - タグベースのサニタイザのためのクラスタベースのメモリ管理
• Authors: Mengfei Xie, Yan Lin, Hongtao Wu, Jianming Fu, Chenke Luo, Guojun Peng,
• Abstract要約: ClusterTagは、時間次元と空間次元の両方のタグ衝突を同時に緩和する新しいメモリアロケータである。 メモリオブジェクトを複数の独立したクラスタに分割し、タグの衝突を各クラスタ内の有限個のチャンクに制限する。 Julietデータセットのセキュリティ評価によると、ClusterTagは500回の繰り返しテストで決定論的結果を示す。
• 参考スコア（独自算出の注目度）: 9.659098296615385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tag-based sanitizers attach a small "key" to each pointer and a matching "lock" tag to its target memory object, enabling runtime verification of pointer-object consistency and helping developers to detect potential memory violations. However, the limited tag encoding space challenges existing studies in assigning distinct tags to memory objects across temporal and spatial dimensions, leading to potential tag collisions. In this paper, we present ClusterTag, a novel cluster-based memory allocator aimed at simultaneously mitigating tag collisions in both temporal and spatial dimensions. The core design of ClusterTag effectively balances the significant mismatch between tag encoding space and memory objects: it divides memory objects into multiple independent clusters, thereby limiting tag collisions to finite chunks within each cluster. To mitigate tag collisions across clusters, we design a cluster-grained heap randomization scheme. This approach introduces random address intervals between clusters and further breaks the entropy limitation of the tag space. ClusterTag has been implemented as an independent memory allocator that seamlessly integrates with tag-based sanitizers such as HWASan, and maintains comparable performance overhead (within 1%) at various randomization densities. Security evaluations on the Juliet dataset indicate that ClusterTag exhibits deterministic results across 500 repeated tests (5,652 reported and 1,530 missed), while the existing three types of tag assignment strategies all exhibit probabilistic false negatives due to tag collisions. Quantitative analysis across three tag collision distance metrics-minimum, average, and unpredictability-demonstrates that ClusterTag achieves balanced improvements across all three, whereas prior tag assignment schemes (random, staggered, fixed) show significant trade-offs in at least one metric.
• Abstract（参考訳）: タグベースのサニタイザは、各ポインタに小さな"キー"と、そのターゲットメモリオブジェクトに一致する"ロック"タグをアタッチすることで、ポインタオブジェクトの一貫性のランタイム検証を可能にし、開発者が潜在的なメモリ違反を検出するのに役立つ。 しかし、制限されたタグ符号化空間は、時間的および空間的次元にわたって異なるタグをメモリオブジェクトに割り当てることにおいて既存の研究に挑戦し、潜在的なタグ衝突を引き起こす。 本稿では,時間次元と空間次元の両方のタグ衝突を同時に緩和することを目的とした,クラスタベースの新しいメモリアロケータであるClusterTagを提案する。 メモリオブジェクトを複数の独立したクラスタに分割することで、各クラスタ内の有限チャンクにタグ衝突を制限する。 クラスタ間のタグ衝突を軽減するため,クラスタ粒度のヒープランダム化方式を設計する。 このアプローチでは、クラスタ間のランダムなアドレス間隔を導入し、さらにタグ空間のエントロピー制限を破る。 ClusterTagは、HWASanなどのタグベースのサニタイザとシームレスに統合する独立したメモリアロケータとして実装されており、さまざまなランダム化密度において、同等のパフォーマンスオーバーヘッド(1%)を維持している。 Julietデータセットのセキュリティ評価によると、ClusterTagは500回の繰り返しテスト(5,652件の報告と1,530件の欠落)で決定的な結果を示し、既存の3種類のタグ割り当て戦略はすべてタグの衝突による確率的偽陰性を示す。 3つのタグ衝突距離測定値(最小値、平均値、予測不可能値)の定量的分析では、ClusterTagは3つすべてでバランスの取れた改善を達成しているのに対し、先行のタグ割り当てスキーム(ランダム、スタガー、固定)は少なくとも1つの指標で大きなトレードオフを示している。

関連論文リスト

• Cross-Dataset Semantic Segmentation Performance Analysis: Unifying NIST Point Cloud City Datasets for 3D Deep Learning [49.1574468325115]
  本研究では、公共安全アプリケーションに関連する異種ラベル付きポイントクラウドデータセット間のセマンティックセマンティックセマンティクス性能を解析する。 主な課題は、ラベル付きデータ不足、データセット間でクラスラベルを統一することの難しさ、標準化の必要性である。
  論文  参考訳（メタデータ） (2025-08-01T17:59:02Z)
• Bridging Annotation Gaps: Transferring Labels to Align Object Detection Datasets [26.566426911250296]
  Label-Aligned Transfer Proposal (LAT)は、さまざまなソースデータセットからのアノテーションをターゲットラベル空間に体系的にプロジェクションする。 LATは目標領域検出性能を一貫した改善し、半教師付きベースラインよりも最大4.8APのゲインを得る。
  論文  参考訳（メタデータ） (2025-06-05T08:16:15Z)
• Seg2Box: 3D Object Detection by Point-Wise Semantics Supervision [15.996707255179668]
  LiDARに基づく3Dオブジェクト検出とセマンティックセグメンテーションは、3Dシーン理解において重要なタスクである。 従来の検出と方法は、バウンディングボックスラベルとセマンティックマスクラベルを通じてモデルを監督する。 本稿では,意味ラベルのみを用いた3次元物体検出を監督することにより,冗長性を解消することを目的とする。
  論文  参考訳（メタデータ） (2025-03-21T02:39:32Z)
• 4D-CS: Exploiting Cluster Prior for 4D Spatio-Temporal LiDAR Semantic Segmentation [21.300636683882338]
  本研究では,オブジェクトの空間構造と時間情報を反映したクラスタラベルを生成する手法を提案する。 我々は,Semantic KITTIおよびnuScenesデータセット上でのマルチスキャンセマンティックおよび移動オブジェクトセグメンテーションの最先端結果を得た。
  論文  参考訳（メタデータ） (2025-01-06T11:23:13Z)
• Using a negative spatial auto-correlation index to evaluate and improve intrinsic TagMap's multi-scale visualization capabilities [1.829179623372777]
  タグマップの既存の方法論は、主に特定のスケールでのタグレイアウトに焦点を当てている。 負の空間自己相関指数をタグマップに組み込んで,タグサイズ分布の均一性を評価する。 この強化には、候補タグを反復的にフィルタリングし、定義されたインデックス基準を満たす最適なタグを選択することが含まれる。
  論文  参考訳（メタデータ） (2024-08-08T08:52:27Z)
• Revisiting Foreground and Background Separation in Weakly-supervised Temporal Action Localization: A Clustering-based Approach [48.684550829098534]
  弱教師付き時間的アクションローカライゼーションは、アクションインスタンスをビデオレベルのアクションラベルのみでローカライズすることを目的としている。 クラスタリングに基づく新しいF&B分離アルゴリズムを提案する。 我々は,THUMOS14,ActivityNet v1.2,v1.3の3つのベンチマークで評価を行った。
  論文  参考訳（メタデータ） (2023-12-21T18:57:12Z)
• Generalized Category Discovery with Clustering Assignment Consistency [56.92546133591019]
  一般化圏発見(GCD)は、最近提案されたオープンワールドタスクである。 クラスタリングの一貫性を促進するための協調学習ベースのフレームワークを提案する。 提案手法は,3つの総合的なベンチマークと3つのきめ細かい視覚認識データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-30T00:32:47Z)
• Triplet Contrastive Learning for Unsupervised Vehicle Re-identification [55.445358749042384]
  部分的特徴学習は、車両の再識別におけるセマンティック理解にとって重要な技術である。 本稿では,クラスタ機能を活用したTCL(Triplet Contrastive Learning framework)を提案する。
  論文  参考訳（メタデータ） (2023-01-23T15:52:12Z)
• Dual Cluster Contrastive learning for Person Re-Identification [78.42770787790532]
  私たちはDual Cluster Contrastive Learning(DCC)という統合クラスタコントラストフレームワークを定式化します。 DCCは、個々のメモリバンクとセントロイドクラスタメモリバンクの2種類のメモリバンクを維持している。 教師なしまたは監督されていない人物のReIDに容易に適用できる。
  論文  参考訳（メタデータ） (2021-12-09T02:43:25Z)
• Rank-Consistency Deep Hashing for Scalable Multi-Label Image Search [90.30623718137244]
  スケーラブルなマルチラベル画像検索のための新しいディープハッシュ法を提案する。 2つの空間の類似性順序を整列するために、新しい階数整合性目的を適用した。 強力な損失関数は、意味的類似性とハミング距離が一致しないサンプルをペナルティ化するように設計されている。
  論文  参考訳（メタデータ） (2021-02-02T13:46:58Z)

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。