論文の概要: Walma: Learning to See Memory Corruption in WebAssembly

• arxiv url: http://arxiv.org/abs/2603.24167v1
• Date: Wed, 25 Mar 2026 10:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.249638
• Title: Walma: Learning to See Memory Corruption in WebAssembly
• Title（参考訳）: Walma: WebAssemblyのメモリ破壊を学習する
• Authors: Oussama Draissi, Mark Günzel, Ahmad-Reza Sadeghi, Lucas Davi,
• Abstract要約: WebAssemblyのモノリシックなリニアメモリモデルは、メモリ破損攻撃を促進する。 WebAssemblyリニアメモリのためのフレームワークであるWalmaを紹介します。
• 参考スコア（独自算出の注目度）: 15.112080426607028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: WebAssembly's (Wasm) monolithic linear memory model facilitates memory corruption attacks that can escalate to cross-site scripting in browsers or go undetected when a malicious host tampers with a module's state. Existing defenses rely on invasive binary instrumentation or custom runtimes, and do not address runtime integrity verification under an adversarial host model. We present Walma, a framework for WebAssembly Linear Memory Attestation that leverages machine learning to detect memory corruption and external tampering by classifying memory snapshots. We evaluate Walma on six real-world CVE-affected applications across three verification backends (cpu-wasm, cpu-tch, gpu) and three instrumentation policies. Our results demonstrate that CNN-based classification can effectively detect memory corruption in applications with structured memory layouts, with coarse-grained boundary checks incurring as low as 1.07x overhead, while fine-grained monitoring introduces higher (1.5x--1.8x) but predictable costs. Our evaluation quantifies the accuracy and overhead trade-offs across deployment configurations, demonstrating the practical feasibility of ML-based memory attestation for WebAssembly.
• Abstract（参考訳）: WebAssemblyの(Wasm)モノリシックなリニアメモリモデルは、ブラウザのクロスサイトスクリプティングにエスカレートしたり、悪意のあるホストがモジュールの状態に改ざんした場合に検出されないメモリ破損攻撃を促進する。 既存の防御は侵入的なバイナリインスツルメンテーションやカスタムランタイムに依存しており、敵ホストモデルの下でのランタイムの整合性検証には対処しない。 我々は、WebAssemblyリニアメモリ検証のためのフレームワークであるWalmaを紹介した。これは、機械学習を利用して、メモリスナップショットを分類することで、メモリの破損や外部の改ざんを検出する。 我々は,3つの検証バックエンド(cpu-wasm,cpu-tch,gpu)と3つのインスツルメンテーションポリシの6つの実世界のCVE影響アプリケーション上でWalmaを評価した。 以上の結果から, メモリレイアウトが構造化されたアプリケーションにおいて, CNN によるメモリ破壊を効果的に検出できることを示すとともに, 粗粒度境界チェックが 1.07倍のオーバーヘッドで発生し, きめ細粒度監視がより高い(1.5x--1.8x)が, 予測可能なコストをもたらすことを示した。 評価では、デプロイメント構成間での精度とオーバーヘッドのトレードオフを定量化し、WebAssemblyのMLベースのメモリ検証の実現可能性を示す。

関連論文リスト

• SafeLoad: Efficient Admission Control Framework for Identifying Memory-Overloading Queries in Cloud Data Warehouses [59.68732483257323]
  メモリオーバーロードは、クラウドデータウェアハウスにおけるリソースの枯渇の一般的な形態である。 我々は,メモリオーバロード(MO)クエリの特定に特化して設計された,最初のクエリ入力制御フレームワークであるSafeLoadを提案する。 SafeLoadは、オンラインおよびオフライン時間オーバーヘッドの少ない最先端の予測性能を実現する。
  論文  参考訳（メタデータ） (2026-01-05T08:29:51Z)
• MemR$^3$: Memory Retrieval via Reflective Reasoning for LLM Agents [29.652985606497882]
  私たちは、自律的で正確で互換性のあるエージェントシステムとして、メモリ検索を構築します。 MemR$3$は、2つの中核的なメカニズムを持つ: 1) 解答品質を最適化するために検索、反映、回答のアクションを選択するルータ; 2) 解答プロセスを透過的に描画し、証拠収集プロセスを追跡するグローバルエビデンスギャップトラッカー。
  論文  参考訳（メタデータ） (2025-12-23T10:49:42Z)
• MemLoRA: Distilling Expert Adapters for On-Device Memory Systems [71.32550994522738]
  メモリ拡張大言語モデル(LLM)は対話中に顕著な一貫性を示す。 MemLoRAは、小さなVision-Language Modelを統合する新しいメモリシステムである。 VLM統合MemLoRA-Vはキャプションベースのアプローチで大幅に改善されている。
  論文  参考訳（メタデータ） (2025-12-04T12:56:30Z)
• A-MemGuard: A Proactive Defense Framework for LLM-Based Agent Memory [31.673865459672285]
  大規模言語モデル(LLM)エージェントは、過去のインタラクションから学習するためにメモリを使用する。 敵は、エージェントのメモリに一見無害なレコードを注入して、その将来の振る舞いを操作できる。 A-MemGuard は LLM エージェントメモリのための最初のプロアクティブな防御フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T16:04:15Z)
• RX-INT: A Kernel Engine for Real-Time Detection and Analysis of In-Memory Threats [0.0]
  本稿では,TOCTOU攻撃に対するレジリエンスを提供するアーキテクチャを特徴とするカーネル支援システムであるRX-INTを提案する。 RX-INTはリアルタイムスレッド生成モニタとステートフル仮想アドレス記述子(VAD)スキャナを組み合わせた検出エンジンを導入した。 RX-INTは,PE-sieveで同定されなかった手動マッピング領域を正常に検出した。
  論文  参考訳（メタデータ） (2025-08-05T19:43:25Z)
• A Comprehensive Quantification of Inconsistencies in Memory Dumps [13.796554685139855]
  我々は、メモリ取得プロセス中にOSカーネルが実行する書き込み操作を全て追跡するシステムを開発した。 我々は、異なる取得モード、ファイルシステム、ハードウェアターゲットがダンプ中のカーネル書き込みの頻度にどのように影響するかを定量化する。
  論文  参考訳（メタデータ） (2025-03-19T10:02:54Z)
• Recurrent Dynamic Embedding for Video Object Segmentation [54.52527157232795]
  一定サイズのメモリバンクを構築するためにRDE(Recurrent Dynamic Embedding)を提案する。 本稿では, SAM を長時間の動画でより堅牢にするため, トレーニング段階での無バイアス誘導損失を提案する。 また、メモリバンクの異なる品質のマスクの埋め込みをネットワークが修復できるように、新たな自己補正戦略を設計する。
  論文  参考訳（メタデータ） (2022-05-08T02:24:43Z)
• Memory-Guided Semantic Learning Network for Temporal Sentence Grounding [55.31041933103645]
  本稿では,TSGタスクにおいて稀に出現しないコンテンツを学習し,記憶するメモリ拡張ネットワークを提案する。 MGSL-Netは、クロスモーダル・インターアクション・モジュール、メモリ拡張モジュール、異種アテンション・モジュールの3つの主要な部分で構成されている。
  論文  参考訳（メタデータ） (2022-01-03T02:32:06Z)
• Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
  EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。 我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。 これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
  論文  参考訳（メタデータ） (2020-08-17T07:16:57Z)
• DMV: Visual Object Tracking via Part-level Dense Memory and Voting-based Retrieval [61.366644088881735]
  DMVと呼ばれる部分レベル高密度メモリと投票ベースの検索による新しいメモリベースのトラッカーを提案する。 また,メモリの信頼できない情報をフィルタリングする新たな投票機構を提案する。
  論文  参考訳（メタデータ） (2020-03-20T10:05:30Z)

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。