論文の概要: Attention Distance: A Novel Metric for Directed Fuzzing with Large Language Models

• arxiv url: http://arxiv.org/abs/2512.19758v1
• Date: Fri, 19 Dec 2025 17:03:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.62441
• Title: Attention Distance: A Novel Metric for Directed Fuzzing with Large Language Models
• Title（参考訳）: 注意距離:大規模言語モデルによる直接ファジィ化のための新しい指標
• Authors: Wang Bin, Ao Yang, Kedan Li, Aofan Liu, Hui Li, Guibo Luo, Weixiang Huang, Yan Zhuang,
• Abstract要約: 我々は、コード要素間の注意点を計算し、固有の接続を明らかにする新しいメトリクスであるtextbfattention distanceを導入する。 最先端のファジィファジィであるDAFLとWindRangerと比較して、我々の手法は、それぞれ textbf2.89$times$ と textbf7.13$times$ を達成している。
• 参考スコア（独自算出の注目度）: 23.471848775985364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the domain of software security testing, Directed Grey-Box Fuzzing (DGF) has garnered widespread attention for its efficient target localization and excellent detection performance. However, existing approaches measure only the physical distance between seed execution paths and target locations, overlooking logical relationships among code segments. This omission can yield redundant or misleading guidance in complex binaries, weakening DGF's real-world effectiveness. To address this, we introduce \textbf{attention distance}, a novel metric that leverages a large language model's contextual analysis to compute attention scores between code elements and reveal their intrinsic connections. Under the same AFLGo configuration -- without altering any fuzzing components other than the distance metric -- replacing physical distances with attention distances across 38 real vulnerability reproduction experiments delivers a \textbf{3.43$\times$} average increase in testing efficiency over the traditional method. Compared to state-of-the-art directed fuzzers DAFL and WindRanger, our approach achieves \textbf{2.89$\times$} and \textbf{7.13$\times$} improvements, respectively. To further validate the generalizability of attention distance, we integrate it into DAFL and WindRanger, where it also consistently enhances their original performance. All related code and datasets are publicly available at https://github.com/TheBinKing/Attention\_Distance.git.
• Abstract（参考訳）: ソフトウェアセキュリティテストの分野では、DGF(Directed Grey-Box Fuzzing)はその効率的なターゲットローカライゼーションと優れた検出性能で広く注目を集めている。 しかし、既存のアプローチは、コードセグメント間の論理的関係を見越して、シード実行パスとターゲット位置の間の物理的距離のみを測定する。 この省略は、複雑なバイナリにおいて冗長または誤解を招くガイダンスを与えることができ、DGFの実効性を弱める。 そこで本稿では,大規模言語モデルの文脈分析を活用して,コード要素間の注意点を計算し,それらの固有接続を明らかにする新しい指標である「textbf{attention distance}」を紹介する。 同じAFLGo構成の下では、距離距離以外のファジィ成分を変更することなく、38個の実際の脆弱性再現実験で物理的距離を注意距離に置き換えることで、従来の方法よりもテスト効率が平均的に向上する。 最先端のファジィファジィであるDAFLとWindRangerと比較して, 提案手法は, それぞれ \textbf{2.89$\times$} と \textbf{7.13$\times$} の改善を達成している。 注意距離の一般化性をさらに検証するため、DAFLとWindRangerに統合し、元の性能を継続的に向上する。 すべての関連コードとデータセットはhttps://github.com/TheBinKing/Attention\_Distance.gitで公開されている。

関連論文リスト

• Self-Supervised Visual Prompting for Cross-Domain Road Damage Detection [21.137567686181438]
  私たちのフレームワークは、ラベルなしでターゲットドメインを視覚的に調査する、自己管理型のフレームワークです。 強い監督、自己監督、適応のベースラインを 常に上回っています これらの結果は、スケーラブルで適応的な視覚検査システムを構築するための実践的な方向性として、自己監督的プロンプトを強調している。
  論文  参考訳（メタデータ） (2025-11-16T01:28:45Z)
• LRANet++: Low-Rank Approximation Network for Accurate and Efficient Text Spotting [118.93173826110815]
  高精度検出のための低ランク近似に基づく新しいパラメータ化テキスト形状法を提案する。 異なるテキストの輪郭間の固有形状相関を利用して、形状表現の一貫性とコンパクト性を実現する。 我々は、LRANet++と呼ばれるエンドツーエンドテキストスポッティングフレームワークを構築するために、拡張検出モジュールを軽量な認識ブランチに統合する。
  論文  参考訳（メタデータ） (2025-11-08T03:08:03Z)
• Prompt Guidance and Human Proximal Perception for HOT Prediction with Regional Joint Loss [9.87816757989266]
  ヒューマン・オブジェクト・コンタクト(Human-Object ConTact、HOT)検出は、物体に触れている人の身体の特定の領域を特定することである。 我々はtextbfPrompt ガイダンスと textbfProximal textbfPerception を組み合わせた textbfP3HOT' フレームワークを提案する。 このアプローチは textbf0.7$uparrow$, textbf2.0$uparrow$, textbf1.6$uparrow$, textbf の改善を実現しています。
  論文  参考訳（メタデータ） (2025-07-02T11:59:32Z)
• Stanceformer: Target-Aware Transformer for Stance Detection [59.69858080492586]
  スタンス検出は、テキストで表現されたスタンスを特定の主題やターゲットに向けて識別する。 以前の作業は、ターゲットを効果的に優先順位付けする能力に欠ける既存のトランスフォーマーモデルに依存していた。 本稿では,学習と推論の両方において,目標に対する注意を高めるターゲット対応トランスフォーマーモデルであるStanceformerを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T17:24:28Z)
• An Empirical Study on the Distance Metric in Guiding Directed Grey-box Fuzzing [13.43238098819184]
  Directed gray-box fuzzing (DGF)は、特定のコード領域の脆弱性を効率的に発見することを目的としている。 距離の異なるメトリクスがファジィングプロセスをどのようにガイドし、ファジィングの結果に影響を及ぼすかについては、いまだ不透明である。
  論文  参考訳（メタデータ） (2024-09-19T12:15:54Z)
• Contextual information integration for stance detection via cross-attention [59.662413798388485]
  スタンス検出は、著者の目標に対する姿勢を特定することを扱う。 既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。 文脈情報をテキストとして統合する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-03T15:04:29Z)
• Cross Domain Object Detection by Target-Perceived Dual Branch Distillation [49.68119030818388]
  クロスドメインオブジェクト検出は、現実的で挑戦的なタスクです。 本稿では,TDD(Target-perceived Dual-branch Distillation)フレームワークを提案する。 私たちのTDDは、すべてのベンチマークで最先端のメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-05-03T03:51:32Z)
• Revisiting Mahalanobis Distance for Transformer-Based Out-of-Domain Detection [60.88952532574564]
  本稿では,ドメイン外インテント検出手法を徹底的に比較する。 意図分類のための3つの標準データセット上で,複数のコンテキストエンコーダとメソッドを効率良く評価する。 本研究の主目的は,超微調整トランスフォーマーを用いたドメイン内データエンコーダが優れた結果をもたらすことである。
  論文  参考訳（メタデータ） (2021-01-11T09:10:58Z)
• Structure-Consistent Weakly Supervised Salient Object Detection with Local Saliency Coherence [14.79639149658596]
  本論文では,スクリブルアノテーションによる弱監督オブジェクト検出のための1ラウンドのエンドツーエンドトレーニング手法を提案する。 6つのベンチマークで最新のパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2020-12-08T12:49:40Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。