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
• 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

• Fuzz'EMup: Leveraging EM Side-Channel Emanation to Guide Black-Box Embedded Firmware Fuzzing [8.83241136220859]
  我々は、電磁(EM)サイドチャネルのエマニュエーションを利用して、ブラックボックス設定でファームウェアファジリングを誘導する手法を提案する。 EMトレースはノイズが多く、タイミングジッタは異なるトレースの対応する特徴を時間とともに変化させる。 実際のファームウェアの4つのターゲットに対するアプローチを評価し,EMからのフィードバックによって経路探索が促進され,無誘導ファジィよりも高いコードカバレッジが得られることを示した。
  論文  参考訳（メタデータ） (2026-07-17T20:25:03Z)
• Stateful Embedded Fuzzing with Peripheral-Accurate SystemC Virtual Prototypes [0.5359378066251386]
  本稿では,AFL++とステートフルなSystemC-TLM仮想プロトタイプを統合し,組込みソフトウェアの現実的なファジィ化を実現する新しいフレームワークを提案する。 ファジィザ生成の入力は周辺モデルに直接注入され、周辺機器は割り込みやFIFO更新などの自然な副作用を引き起こすことができる。 組み込みワークロードの結果から,私たちのアプローチでは,コードカバレッジと実行パフォーマンスを最先端のツールとして維持しながら,偽陽性を排除しています。
  論文  参考訳（メタデータ） (2026-04-20T12:43:42Z)
• AdaFuse: Accelerating Dynamic Adapter Inference via Token-Level Pre-Gating and Fused Kernel Optimization [84.25316984309725]
  動的スパース構造とパラメータ効率のよいアダプタ(例えばLoRA)の統合は、大規模言語モデル(LLM)を拡張するための強力な技術である。 計算負荷は最小限に抑えられるが、計算のレイテンシが急上昇し、復号速度が2.5倍以上遅くなる。 AdaFuseはアルゴリズムと基盤となるハードウェアシステムとの緊密な協調設計に基づいて構築されたフレームワークで、効率的な動的アダプタ実行を実現する。
  論文  参考訳（メタデータ） (2026-03-12T12:46:42Z)
• MoE-SpAc: Efficient MoE Inference Based on Speculative Activation Utility in Heterogeneous Edge Scenarios [12.409831039709886]
  Mixture-of-Experts (MoE)モデルはスケーラブルなパフォーマンスを実現するが、エッジデバイスでは厳しいメモリ制約に直面している。 我々は、専門家の要求を追跡するために、投機的ユーティリティエスタを統合するMoE推論フレームワークであるMoE-SpAcを紹介する。 7つのベンチマーク実験により、MoE-SpAcはSOTA SDベースラインよりもTPSが42%向上していることが示された。
  論文  参考訳（メタデータ） (2026-02-12T04:28:00Z)
• ZipMoE: Efficient On-Device MoE Serving via Lossless Compression and Cache-Affinity Scheduling [56.88966608455977]
  ZipMoEはエッジデバイスのハードウェア特性とMoEパラメータ固有の統計的冗長性との相乗効果を利用する。 ZipMoEは72.77%の推論遅延低減と6.76タイムのスループットを実現している。
  論文  参考訳（メタデータ） (2026-01-29T02:51:59Z)
• 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)
• DemosaicFormer: Coarse-to-Fine Demosaicing Network for HybridEVS Camera [70.28702677370879]
  Hybrid Event-Based Vision Sensor (HybridEVS)は、従来のフレームベースとイベントベースのセンサーを統合する新しいセンサーである。 その可能性にもかかわらず、ハイブリッドEVS用に特別に設計された画像信号処理(ISP)パイプラインの欠如は大きな課題である。 粗大な復調と画素補正を含む,粗大で微細なフレームワークであるDemosaicFormerを提案する。
  論文  参考訳（メタデータ） (2024-06-12T07:20:46Z)
• 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。