論文の概要: AFLGopher: Accelerating Directed Fuzzing via Feasibility-Aware Guidance

• arxiv url: http://arxiv.org/abs/2511.10828v1
• Date: Thu, 13 Nov 2025 22:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.342346
• Title: AFLGopher: Accelerating Directed Fuzzing via Feasibility-Aware Guidance
• Title（参考訳）: AFLGopher: ファシビリティ・アウェア・ガイダンスによるダイレクトファジィの高速化
• Authors: Weiheng Bai, Kefu Wu, Qiushi Wu, Kangjie Lu,
• Abstract要約: Direct Fuzzingは、プログラム内のターゲットコードサイトに効率的に到達することを目的としている。 一般的な誘導メカニズムは、現在の進行と目標の間の制御フロー距離を計算することである。 AFLGopher という名前のファジビリティ対応指向ファジィを提案する。
• 参考スコア（独自算出の注目度）: 13.604566905251149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Directed fuzzing is a useful testing technique that aims to efficiently reach target code sites in a program. The core of directed fuzzing is the guiding mechanism that directs the fuzzing to the specified target. A general guiding mechanism adopted in existing directed fuzzers is to calculate the control-flow distance between the current progress and the target, and use that as feedback to guide the directed fuzzing. A fundamental problem with the existing guiding mechanism is that the distance calculation is \emph{feasibility-unaware}. In this work, we propose feasibility-aware directed fuzzing named AFLGopher. Our new feasibility-aware distance calculation provides pragmatic feedback to guide directed fuzzing to reach targets efficiently. We propose new techniques to address the challenges of feasibility prediction. Our new classification method allows us to predict the feasibility of all branches based on limited traces, and our runtime feasibility-updating mechanism gradually and efficiently improves the prediction precision. We implemented AFLGopher and compared AFLGopher with state-of-the-art directed fuzzers including AFLGo, enhanced AFLGo, WindRanger, BEACON and SelectFuzz. AFLGopher is 3.76x, 2.57x, 3.30x, 2.52x and 2.86x faster than AFLGo, BEACON, WindRanger, SelectFuzz and enhanced AFLGo, respectively, in reaching targets. AFLGopher is 5.60x, 5.20x, 4.98x, 4.52x, and 5.07x faster than AFLGo, BEACON, WindRanger, SelectFuzz and enhanced AFLGo, respectively, in triggering known vulnerabilities.
• Abstract（参考訳）: Directed Fuzzingは、プログラム内のターゲットコードサイトへ効率的に到達することを目的とした、便利なテストテクニックである。 指向ファジングの中核は、ファジングを指定されたターゲットに向ける誘導機構である。 既存の誘導ファジィアに採用されている一般的な誘導機構は、現在の進行と目標との制御フロー距離を計算し、誘導ファジィングを誘導するためのフィードバックとして利用することである。 既存の誘導機構の根本的な問題は、距離計算が 'emph{feasibility-unware} であることである。 本研究では,AFLGopher というファジビリティ対応指向ファジィを提案する。 我々の新しい実現可能性を考慮した距離計算は、指示ファジィングを効率的に目標に到達するための実用的なフィードバックを提供する。 実現可能性予測の課題に対処する新しい手法を提案する。 新しい分類法により、限られたトレースに基づいて全てのブランチの実現可能性を予測することができ、実行時実行可能性向上機構は、徐々に、効率的に予測精度を向上させることができる。 我々は AFLGopher を実装し,AFLGopher を AFLGo,拡張 AFLGo,WindRanger,BEACON,SelectFuzz といった最先端の指向型ファズーと比較した。 AFLGopher は AFLGo, BEACON, WindRanger, SelectFuzz, enhanced AFLGo よりそれぞれ3.76x, 2.57x, 3.30x, 2.52x, 2.86x速い。 AFLGopher は AFLGo, BEACON, WindRanger, SelectFuzz, enhanced AFLGo より5.60x, 5.20x, 4.98x, 4.52x, 5.07x速い。

関連論文リスト

• Hybrid Approach to Directed Fuzzing [0.0]
  そこで本研究では,新しいシードスケジューリングアルゴリズムを用いた双方向ファジリングのハイブリッド手法を提案する。 LibAFL-DiFuzz を有向ファザとして,Sydr-Fuzz を動的シンボリックエグゼキュータとして,Sydr-Fuzz ツールに実装した。
  論文  参考訳（メタデータ） (2025-07-07T10:29:16Z)
• HF-DGF: Hybrid Feedback Guided Directed Grey-box Fuzzing [2.5274064055508174]
  Directed Grey-box Fuzzing (DGF)は、クラッシュの再現とパッチテストに広く採用されている技術である。 本研究は、新しい配向グレーボックスファジッシングフレームワークであるHF-DGFを提示する。 そのシードスケジューリングは、制御フロー距離、バリューフローの影響スコア、スライスカバレッジを統合するハイブリッドフィードバックメカニズムによってガイドされる。
  論文  参考訳（メタデータ） (2025-06-29T02:36:40Z)
• LibAFL-DiFuzz: Advanced Architecture Enabling Directed Fuzzing [0.0]
  我々は、他の技術と簡単に組み合わせられるコンポーネントで直接ファジィングを行うための柔軟なツールを構築した。 我々は,AFLGoやBEACONと比較してファジィザを評価し,いくつかのベンチマークで露出に間に合うスピードアップを明らかにした。
  論文  参考訳（メタデータ） (2024-12-26T09:54:57Z)
• PrescientFuzz: A more effective exploration approach for grey-box fuzzing [0.45053464397400894]
  我々は、対象プログラムの制御フローグラフ(CFG)から意味情報を利用する、PrescientFuzzと呼ばれるLibAFLのファズベッハの強化版を作成する。 本研究では,その実行経路と未発見エッジとの近接性に基づいて,突然変異に対する入力の選択を優先する入力コーパススケジューラを開発する。
  論文  参考訳（メタデータ） (2024-04-29T17:21:18Z)
• Griffin: Mixing Gated Linear Recurrences with Local Attention for Efficient Language Models [101.70220733111164]
  我々は、ゲート線形再帰を持つRNNのHawkと、ゲート線形再帰と局所的な注意を混合したハイブリッドモデルGriffinを提案する。 ホークは下流でのマンバのパフォーマンスを上回り、グリフィンは6倍以上のトークンで訓練されているにもかかわらず、ラマ-2のパフォーマンスに匹敵する。 Griffinを14Bパラメータまで拡張し、効率的な分散トレーニングのためにモデルをシャーディングする方法を説明します。
  論文  参考訳（メタデータ） (2024-02-29T18:24:46Z)
• SpirDet: Towards Efficient, Accurate and Lightweight Infrared Small Target Detector [60.42293239557962]
  我々は、赤外線小ターゲットの効率的な検出のための新しいアプローチであるSpirDetを提案する。 新しいデュアルブランチスパースデコーダを用いて特徴写像を復元する。 大規模な実験により、提案されたSpirDetは最先端モデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-08T05:06:14Z)
• Improving Dual-Encoder Training through Dynamic Indexes for Negative Mining [61.09807522366773]
  本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。 我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
  論文  参考訳（メタデータ） (2023-03-27T15:18:32Z)
• Lane Detection with Versatile AtrousFormer and Local Semantic Guidance [92.83267435275802]
  車線検出は自動運転における中核機能の一つである。 既存のほとんどの手法はCNNベースの手法に頼っている。 本稿では,この問題を解決するためにAtrous Transformer (AtrousFormer)を提案する。
  論文  参考訳（メタデータ） (2022-03-08T13:25:35Z)
• DeFuzz: Deep Learning Guided Directed Fuzzing [41.61500799890691]
  本稿では,DeFuzzというソフトウェア脆弱性検出のための,ディープラーニング(DL)誘導指向ファズリングを提案する。 DeFuzzには2つの主要なスキームが含まれている。 1) 潜在的に脆弱な機能と位置(脆弱性のあるアドレス)を特定するために、トレーニング済みのDL予測モデルを使用する。 正確には、Bidirectional-LSTM (BiLSTM) を用いて注意語を識別し、その脆弱性はこれらの注意語に関連付けられている。
  論文  参考訳（メタデータ） (2020-10-23T03:44:03Z)
• FastLR: Non-Autoregressive Lipreading Model with Integrate-and-Fire [74.04394069262108]
  我々は,全てのターゲットトークンを同時に生成する非自己回帰(NAR)リップリーダーモデルであるFastLRを提案する。 FastLRは最先端のリップリーダーモデルと比較して10.97$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2020-08-06T08:28:56Z)

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。