論文の概要: EvoPatch-IoT: Evolution-Aware Cross-Architecture Vulnerability Retrieval and Patch-State Profiling for BusyBox-Based IoT Firmware

• arxiv url: http://arxiv.org/abs/2604.19496v1
• Date: Tue, 21 Apr 2026 14:18:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.803674
• Title: EvoPatch-IoT: Evolution-Aware Cross-Architecture Vulnerability Retrieval and Patch-State Profiling for BusyBox-Based IoT Firmware
• Title（参考訳）: EvoPatch-IoT: BusyBoxベースのIoTファームウェアのための進化型アーキテクチャ間脆弱性検索とパッチ状態プロファイリング
• Authors: Yinhao Xiao, Huixi Li, Yongluo Shen,
• Abstract要約: BusyBoxはLinuxベースのInternet-of-Things(IoT)ファームウェアで最も広く使われているユーザランドコンポーネントの1つである。 我々は,BusyBoxファームウェアバイナリを削除した上で,進化を意識したクロスアーキテクチャ検索フレームワークであるEvoPatch-IoTを提案する。 57の歴史的バージョン、270の未切断バイナリ、285の削除バイナリ、130のソースリリースから大規模なBusyBoxベンチマークを構築し、1,550,752の関数シンボル行、1,290,369の分析関数行、そして155,845の高信頼のストリップ・トゥ・ストリップマッチを生成した。
• 参考スコア（独自算出の注目度）: 0.07646713951724009
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: BusyBox is one of the most widely reused userland components in Linux-based Internet-of-Things (IoT) firmware, yet its security assessment remains difficult because firmware images are frequently stripped, vendor patch practices are inconsistent, and the same source component is compiled for heterogeneous architectures. We propose EvoPatch-IoT, an evolution-aware cross-architecture retrieval framework for stripped BusyBox firmware binaries. EvoPatch-IoT combines anonymous instruction/context features, graph-level statistics, per-binary geometric priors, and historical function prototypes to localize homologous and potentially vulnerable functions without relying on symbols, source paths, or version strings at test time. We further construct a large-scale BusyBox benchmark from 57 historical versions, 270 unstripped binaries, 285 stripped binaries, and 130 source releases, yielding 1,550,752 function-symbol rows, 1,290,369 analysis-function rows, and 155,845 high-confidence stripped-to-unstripped matches. On 57 fully covered versions and 1,020 directed architecture pairs, EvoPatch-IoT achieves a weighted Hit@1 of 34.56\% and Hit@10 of 56.24\%, outperforming the strongest baseline by 16.04\% and 26.85\%, respectively, and reducing the expected manual inspection space by 98.98\%. The method is best on 56 of 57 versions and maintains consistent advantages on difficult architecture pairs. In addition, a version-change transfer study reaches a mean ROC-AUC of 0.9887, and a CVE-2021-42386 patch-state proxy obtains 82.44\% mean accuracy and 88.47\% mean F1 across held-out architectures. These results show that evolution-aware binary retrieval is a practical foundation for scalable IoT firmware vulnerability auditing.
• Abstract（参考訳）: BusyBoxはLinuxベースのInternet-of-Things(IoT)ファームウェアで最も広く利用されているユーザランドコンポーネントの1つだが、ファームウェアイメージが頻繁に削除され、ベンダーのパッチプラクティスが一貫性がなく、同じソースコンポーネントが異種アーキテクチャ向けにコンパイルされているため、セキュリティ評価は依然として難しい。 我々は,BusyBoxファームウェアバイナリを削除した上で,進化を意識したクロスアーキテクチャ検索フレームワークであるEvoPatch-IoTを提案する。 EvoPatch-IoTは匿名のインストラクション/コンテキスト機能、グラフレベルの統計、バイナリ単位の幾何学的前提、履歴関数のプロトタイプを組み合わせて、テスト時にシンボルやソースパス、バージョン文字列に頼ることなく、ホモロジーや潜在的に脆弱な関数をローカライズする。 さらに、57の歴史的バージョン、270の未切断バイナリ、285の削除バイナリ、130のソースリリースから大規模なBusyBoxベンチマークを構築し、1,550,752の関数シンボル行、1,290,369の分析関数行、そして155,845の高信頼のストリップ・トゥ・ストリップマッチを生成した。 57のフルカバーバージョンと1,020のアーキテクチャペアで、EvoPatch-IoTは、Hit@1の34.56\%とHit@10の56.24\%を達成し、それぞれ16.04\%と26.85\%で最強のベースラインを上回り、予想される手動検査スペースを98.98\%削減した。 この方法は57バージョン中56バージョンでベストであり、難しいアーキテクチャペアに対して一貫したアドバンテージを維持している。 さらに、バージョン変更転送調査は平均ROC-AUCが0.9887に達し、CVE-2021-42386パッチ状態プロキシが平均精度82.44\%、平均F1が88.47\%となる。 これらの結果は、進化を意識したバイナリ検索が、スケーラブルなIoTファームウェア脆弱性監査の実践的な基盤であることを示している。

関連論文リスト

• MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale [92.09717763663873]
  我々は、データエンジニアリングとトレーニング戦略設計を通じて、純粋に最先端の技術を進化させるMinerU2.5-Proを提案する。 コアとなるのは、カバレッジ、情報性、アノテーションの正確性を中心に設計されたData Engineだ。 我々は,MinerU2.5-Pro が OmniDocBench v1.6 上で 95.69 を達成することを示す。
  論文  参考訳（メタデータ） (2026-04-06T15:44:18Z)
• Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
  ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。 本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T16:00:22Z)
• MIDAS: Mosaic Input-Specific Differentiable Architecture Search [1.6921396880325779]
  MIDASは、静的アーキテクチャパラメータを動的で入力固有のパラメータに置き換え、DARTSを近代化する新しいアプローチである。 DARTS,NAS-Bench-201,RDARTS検索空間上でMIDASを評価する。
  論文  参考訳（メタデータ） (2026-02-06T23:16:41Z)
• RepoGenesis: Benchmarking End-to-End Microservice Generation from Readme to Repository [52.98970048197381]
  RepoGenesisは、リポジトリレベルのエンドツーエンドWebマイクロサービス生成のための、最初の多言語ベンチマークである。 18のドメインと11のフレームワークに106のリポジトリ(60のPython、46のJava)があり、1,258のAPIエンドポイントと2,335のテストケースが検証されている。 その結果、高いAC(最大73.91%)とDSR(最大100%)にもかかわらず、最高のパフォーマンスのシステムはPythonで23.67%のPass@1、Javaで21.45%しか達成していないことが明らかになった。
  論文  参考訳（メタデータ） (2026-01-20T13:19:20Z)
• Classification of Hope in Textual Data using Transformer-Based Models [0.0]
  本稿では,テキスト中の希望表現を分類するためのトランスフォーマーに基づくアプローチを提案する。 我々は2進分類(ホップ対ノーホープ)と多クラス分類(5つの希望関連カテゴリ)の3つのアーキテクチャを開発し比較した。 BERTはより優れた性能(84.49%のバイナリ、72.03%のマルチクラス精度)を示し、新しいアーキテクチャよりも計算資源(443sと704sのトレーニング時間)をはるかに少なくした。 GPT-2 の精度は低い (79.34% のバイナリ、71.29% のマルチクラス) が、DeBERTa は適度な結果 (80.70% のバイナリ、71.56% のマルチクラス) を得たが、計算能力はかなり高い。
  論文  参考訳（メタデータ） (2025-11-17T02:07:24Z)
• AlphaApollo: Orchestrating Foundation Models and Professional Tools into a Self-Evolving System for Deep Agentic Reasoning [110.57865233597762]
  自己進化型エージェント推論システムであるAlphaApolloについて述べる。 基礎モデル(FM)における2つのボトルネックに対処することを目的としている。 AlphaApolloは、意図的に検証可能な推論を可能にするために、複数のモデルをプロのツールで編成する。
  論文  参考訳（メタデータ） (2025-10-05T15:42:24Z)
• Fine-Grained 1-Day Vulnerability Detection in Binaries via Patch Code Localization [12.73365645156957]
  バイナリの1日間の脆弱性は、ソフトウェアセキュリティに対する大きな脅威になっている。 パッチの有無テストは 脆弱性を検出する効果的な方法の1つです パッチコードとそのコンテキストから安定な値を利用するPLocatorという新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-29T04:35:37Z)
• CveBinarySheet: A Comprehensive Pre-built Binaries Database for IoT Vulnerability Analysis [0.0]
  CveBinarySheetは1999年から2024年までの1033のCVEエントリを含むデータベースである。 私たちのデータセットは16の重要なサードパーティコンポーネントで構成されています。 各プリコンパイルされたバイナリは2つのコンパイラ最適化レベル(O0とO3)で利用でき、異なるコンパイルシナリオ下で包括的な脆弱性分析を容易にする。
  論文  参考訳（メタデータ） (2025-01-15T14:50:46Z)
• EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
  EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。 本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。 特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
  論文  参考訳（メタデータ） (2022-03-21T05:56:12Z)
• BaLeNAS: Differentiable Architecture Search via the Bayesian Learning Rule [95.56873042777316]
  近年,微分可能なアーキテクチャ探索 (DARTS) が注目されている。 本稿では,アーキテクチャ重みをガウス分布に緩和することにより,ニューラルネットワーク探索を分布学習問題として定式化する。 ベイズ主義の原理から異なるNASがいかに恩恵を受け、探索を強化し、安定性を向上するかを実証する。
  論文  参考訳（メタデータ） (2021-11-25T18:13:42Z)

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。