論文の概要: Fuzz Smarter, Not Harder: Towards Greener Fuzzing with GreenAFL

• arxiv url: http://arxiv.org/abs/2510.25665v1
• Date: Wed, 29 Oct 2025 16:28:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.801145
• Title: Fuzz Smarter, Not Harder: Towards Greener Fuzzing with GreenAFL
• Title（参考訳）: よりスマートなファズ:GreenAFLでよりグリーンなファズリングを目指す
• Authors: Ayse Irmak Ercevik, Aidan Dakhama, Melane Navaratnarajah, Yazhuo Cao, Leo Fernandes,
• Abstract要約: GreenAFLは、自動テストの環境への影響を低減するためにファジングに電力消費を組み込む、エネルギーを意識したフレームワークである。 我々は,バニラAFL++,エネルギーベースコーパス最小化,エネルギーベースアブレーションを比較し,各コンポーネントの個々のコントリビューションを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fuzzing has become a key search-based technique for software testing, but continuous fuzzing campaigns consume substantial computational resources and generate significant carbon footprints. Existing grey-box fuzzing approaches like AFL++ focus primarily on coverage maximisation, without considering the energy costs of exploring different execution paths. This paper presents GreenAFL, an energy-aware framework that incorporates power consumption into the fuzzing heuristics to reduce the environmental impact of automated testing whilst maintaining coverage. GreenAFL introduces two key modifications to traditional fuzzing workflows: energy-aware corpus minimisation considering power consumption when reducing initial corpora, and energy-guided heuristics that direct mutation towards high-coverage, low-energy inputs. We conduct an ablation study comparing vanilla AFL++, energy-based corpus minimisation, and energy-based heuristics to evaluate the individual contributions of each component. Results show that highest coverage, and lowest energy usage is achieved whenever at least one of our modifications is used.
• Abstract（参考訳）: ファジィングはソフトウェアテストにおいて重要な検索技術となっているが、連続的なファジィングキャンペーンは相当量の計算資源を消費し、かなりの炭素フットプリントを生成する。 AFL++のような既存のグレーボックスファジリングアプローチは、異なる実行パスを探索する際のエネルギーコストを考慮せずに、主にカバレッジの最大化に焦点を当てている。 本稿では,自動テストの環境への影響を抑えるため,ファジィヒューリスティックに電力消費を取り入れたグリーンAFLを提案する。 GreenAFLは従来のファジィワークフローに2つの重要な変更を加えている: 初期コーパスを減らす際に消費電力を考慮に入れたエネルギーを意識したコーパスの最小化と、高被覆低エネルギー入力へ直接突然変異を誘導するエネルギー誘導ヒューリスティックである。 我々は,バニラAFL++,エネルギーベースコーパスの最小化,エネルギーベースヒューリスティックスを比較して,各コンポーネントの個々の貢献度を評価する。 その結果、少なくとも1つの修正が使用されるたびに、最高カバレッジと最低エネルギー使用率が達成されることがわかった。

関連論文リスト

• Dissecting Transformers: A CLEAR Perspective towards Green AI [0.6524460254566904]
  本稿では、トランスアーキテクチャのコアコンポーネント間での推論エネルギーに関する、初めてきめ細かい実験分析を行う。 本研究では,マイクロ秒単位のコンポーネント実行とミリ秒単位のエネルギーセンサの監視の時間的ミスマッチを克服する手法を提案する。 本研究は、エネルギー効率の良いトランスモデルを構築するための最初のステップとして、コンポーネントレベルの詳細なエネルギーベースラインを確立し、洞察を提供する。
  論文  参考訳（メタデータ） (2025-10-03T08:33:07Z)
• The Energy Loss Phenomenon in RLHF: A New Perspective on Mitigating Reward Hacking [72.45765726160151]
  この研究は、人間からのフィードバックからの強化学習におけるエネルギー損失現象と、そのハッキング報酬への関連を識別する。 報酬計算において最終層におけるエネルギー損失の増加をペナルティ化し,過大なエネルギー損失を防止するEnergy Los-Aware PPOアルゴリズム(EPPO)を提案する。
  論文  参考訳（メタデータ） (2025-01-31T18:10:53Z)
• Prompt engineering and its implications on the energy consumption of Large Language Models [4.791072577881446]
  ソフトウェア工学における大規模言語モデル(LLM)は、計算資源、データセンター、二酸化炭素排出に関する深刻な問題を引き起こす。 本稿では,コード生成タスクにおけるLlama 3モデルの炭素排出に及ぼすPETの影響について検討する。
  論文  参考訳（メタデータ） (2025-01-10T11:49:31Z)
• BEFL: Balancing Energy Consumption in Federated Learning for Mobile Edge IoT [2.6872737601772956]
  Mobile Edge IoT(MEIoT)では、トレーニングと通信プロセスはデバイスの限られたバッテリーリソースを著しく減らすことができる。 我々は,グローバルモデル精度の向上,全エネルギー消費の最小化,デバイス間のエネルギー利用格差の低減という,3つの目標のバランスを図るための共同最適化フレームワークであるBEFLを提案する。 実験の結果、BEFLはグローバルモデル精度を1.6%改善し、エネルギー消費のばらつきを72.7%低減し、既存の方法と比較して総エネルギー消費を28.2%低減することがわかった。
  論文  参考訳（メタデータ） (2024-12-05T07:58:32Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• Full-Cycle Energy Consumption Benchmark for Low-Carbon Computer Vision [31.781943982148025]
  我々は,効率的なコンピュータビジョンモデルのための最初の大規模エネルギー消費ベンチマークを示す。 モデル利用強度の異なる全サイクルエネルギー消費を明示的に評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2021-08-30T18:22:36Z)
• ECO: Enabling Energy-Neutral IoT Devices through Runtime Allocation of Harvested Energy [0.8774604259603302]
  本稿では,エネルギー制約下での目標デバイスの有用性を最適化するランタイムベースのエネルギー配分フレームワークを提案する。 提案フレームワークは, 効率的な反復アルゴリズムを用いて, 初期エネルギー割り当てを1日の初めに計算する。 このフレームワークは、太陽と運動エネルギーの収穫モードと、4772の異なるユーザーからのアメリカンタイムユースサーベイデータを使用して評価します。
  論文  参考訳（メタデータ） (2021-02-26T17:21:25Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。