論文の概要: E-FuzzEdge: Optimizing Embedded Device Security with Scalable In-Place Fuzzing
- arxiv url: http://arxiv.org/abs/2510.01393v1
- Date: Wed, 01 Oct 2025 19:24:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.840766
- Title: E-FuzzEdge: Optimizing Embedded Device Security with Scalable In-Place Fuzzing
- Title（参考訳）: E-FuzzEdge: スケーラブルなIn-Place Fuzzingによる組み込みデバイスセキュリティの最適化
- Authors: Davide Rusconi, Osama Yousef, Mirco Picca, Flavio Toffalini, Andrea Lanzi,
- Abstract要約: E-FuzzEdgeは、実行速度を最適化してマイクロコントローラのためのハードウェア・イン・ループファズリングの非効率性に対処する。
E-FuzzEdgeの重要な利点は、ファームウェアエミュレーションの代わりにデバイステストで実行する他の組み込みファズー技術との互換性である。
- 参考スコア（独自算出の注目度）: 2.15053459390808
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper we show E-FuzzEdge, a novel fuzzing architecture targeted towards improving the throughput of fuzzing campaigns in contexts where scalability is unavailable. E-FuzzEdge addresses the inefficiencies of hardware-in-the-loop fuzzing for microcontrollers by optimizing execution speed. We evaluated our system against state-of-the-art benchmarks, demonstrating significant performance improvements. A key advantage of E-FuzzEdgearchitecture is its compatibility with other embedded fuzzing techniques that perform on device testing instead of firmware emulation. This means that the broader embedded fuzzing community can integrate E-FuzzEdge into their workflows to enhance overall testing efficiency.
- Abstract（参考訳）: 本稿では,拡張性のない状況下でファジングキャンペーンのスループット向上を目的としたファジングアーキテクチャであるE-FuzzEdgeについて述べる。
E-FuzzEdgeは、実行速度を最適化してマイクロコントローラのためのハードウェア・イン・ループファズリングの非効率性に対処する。
我々は、最先端のベンチマークに対してシステムを評価し、大幅な性能改善を実証した。
E-FuzzEdgearchitectureの重要な利点は、ファームウェアエミュレーションの代わりにデバイステストで実行する他の組み込みファジィ技術との互換性である。
つまり、より広い組み込みファジィングコミュニティは、E-FuzzEdgeをワークフローに統合して、全体的なテスト効率を向上させることができる。
関連論文リスト
- Logic Solver Guided Directed Fuzzing for Hardware Designs [0.6430258446597411]
この研究は、革新的でスケーラブルなハードウェアファジィ機構であるTargetFuzzを導入している。
SATベースの技術を活用して、ハードウェア設計の特定の領域に集中し、ネイティブハードウェア抽象化レベルで運用する。
対象サイトの処理において,30倍のスケールを効果的に実現し,100%のステートカバレッジと1.5倍の高速化を実現した。
論文 参考訳（メタデータ） (2025-09-30T16:50:50Z) - Intelligent Graybox Fuzzing via ATPG-Guided Seed Generation and Submodule Analysis [5.029193774082768]
ハードウェアファジィングは、現代のハードウェア設計におけるセキュリティ欠陥を見つけるための重要なテクニックの1つである。
Coverage-Guided Fuzzing (CGF) 法はデザインをより効果的に探索するのに役立つが、ハードウェアの特定の部分に焦点を合わせるのに苦労する。
DirectFuzzのような既存のDGF(Directed Gray-box Fuzzing)技術は、ターゲットテストを生成することでこれを解決しようとしている。
本稿では, DGF アプローチに倣い, ファジングと自動テストパターン生成(ATPG)を組み合わせてより効率的なファジングを実現する新しいフレームワーク PROFUZZ を提案する。
論文 参考訳（メタデータ） (2025-09-25T06:46:19Z) - MaRVIn: A Cross-Layer Mixed-Precision RISC-V Framework for DNN Inference, from ISA Extension to Hardware Acceleration [4.852153649271776]
既存の組み込みマイクロプロセッサは、混合精度NNを効率的に実行するための十分なアーキテクチャサポートを欠いている。
電力効率と性能を向上させる多層ハードウェア/ソフトウェア共同設計フレームワークであるMARVInを紹介する。
我々のフレームワークは、平均17.6倍のスピードアップを1%未満の精度で達成でき、ISA非依存のRISC-Vコアより優れ、最大1.8TOP/Wを実現している。
論文 参考訳（メタデータ） (2025-09-18T17:48:20Z) - BlockFFN: Towards End-Side Acceleration-Friendly Mixture-of-Experts with Chunk-Level Activation Sparsity [66.94629945519125]
我々は、新しいMoEアーキテクチャであるBlockFFNと、その効率的なトレーニングとデプロイメント技術を紹介します。
具体的には、ReLUアクティベーションとRMSNormを統合したルータを、微分可能かつ柔軟なルーティングに使用します。
次に、トークンレベルのスペーサ(TLS)とチャンクレベルのスペーサ(CLS)の両方を促進するために、CLS対応のトレーニング目標を設計し、BlockFFNをより加速しやすいものにした。
論文 参考訳（メタデータ） (2025-07-11T17:28:56Z) - Real-Time Semantic Segmentation of Aerial Images Using an Embedded U-Net: A Comparison of CPU, GPU, and FPGA Workflows [0.0]
本研究では,航空画像のリアルタイムセマンティックセグメンテーションに最適化された軽量なU-Netモデルを提案する。
実世界のデータセット上でのU-Netの精度を維持しながら、モデルのパラメータと乗算(MAC)操作を16。
論文 参考訳（メタデータ） (2025-03-07T08:33:28Z) - EmbedFuzz: High Speed Fuzzing Through Transplantation [21.875588930207943]
本稿では、ローエンドマイクロコントローラユニット(MCU)上の組み込みファームウェアのための効率的なファジリングフレームワークであるEmbedFuzzを紹介する。
我々の新しいファームウェア移植技術は、バイナリMCUファームウェアを、ネイティブパフォーマンスで互換性のあるハイエンドデバイス上で実行されるファームウェアの機能的に等価かつファジリング強化バージョンに変換する。
最先端のMCUファジイザに対する評価では、EmbedFuzzは8倍のファジィスループットを示し、ネイティブ実行によるエネルギーの4分の1を消費する。
論文 参考訳（メタデータ） (2024-12-17T10:09:55Z) - EMO: Episodic Memory Optimization for Few-Shot Meta-Learning [69.50380510879697]
メタ学習のためのエピソード記憶最適化は、EMOと呼ばれ、脳の記憶から過去の学習経験を思い出す人間の能力にインスパイアされている。
EMOは、限られた数の例によって提供される勾配が非形式的である場合でも、パラメータを正しい方向に更新する。
EMOは、ほとんど数ショットの分類ベンチマークでうまくスケールし、最適化ベースのメタラーニング手法の性能を改善している。
論文 参考訳（メタデータ） (2023-06-08T13:39:08Z) - MEST: Accurate and Fast Memory-Economic Sparse Training Framework on the
Edge [72.16021611888165]
本稿では,エッジデバイス上での高精度かつ高速な実行を目的とした,メモリ・エコノミクス・スパース・トレーニング(MEST)フレームワークを提案する。
提案されているMESTフレームワークは、Elastic Mutation (EM)とSoft Memory Bound (&S)による拡張で構成されている。
以上の結果から,スペーサマスクの動的探索においても,忘れられない例をその場で特定できることが示唆された。
論文 参考訳（メタデータ） (2021-10-26T21:15:17Z) - iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。
IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。
IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
論文 参考訳（メタデータ） (2020-06-23T02:57:29Z)
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。