論文の概要: FunFuzz: An LLM-Powered Evolutionary Fuzzing Framework

• arxiv url: http://arxiv.org/abs/2605.02789v1
• Date: Mon, 04 May 2026 16:30:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.408368
• Title: FunFuzz: An LLM-Powered Evolutionary Fuzzing Framework
• Title（参考訳）: FunFuzz: LLMで動く進化的ファジィフレームワーク
• Authors: Mario Rodríguez Béjar, B. Romera-Paredes, Jose L. Hernández-Ramos,
• Abstract要約: 我々はFunFuzzについて紹介する。FunFuzzは複数の独立した検索を並列に実行する多島間進化的ファジィフレームワークである。 我々はFunFuzzをコンパイラファジィングで評価し、入力はソースプログラムであり、コンパイラのカバレッジとユニークなコンパイラ内部の障害によって成功を測定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern fuzzers increasingly use Large Language Models (LLMs) to generate structured inputs, but LLM-driven fuzzing is sensitive to prompt initialization and sampling variance, which can reduce exploration efficiency and lead to redundant inputs. We present FunFuzz, a multi-island evolutionary fuzzing framework that runs several isolated searches in parallel and periodically migrates high-value candidates to maintain diversity. FunFuzz derives initial generation prompts from documentation and initializes islands with topic-specific instructions, then continuously adapts prompts using feedback-guided selection. During fuzzing, candidates are prioritized by incremental compiler coverage, while compiler-internal failure signals are used to identify crash-inducing inputs. We evaluate FunFuzz on compiler fuzzing, where inputs are source programs and success is measured by compiler coverage and unique compiler-internal failures. Across repeated 24-hour campaigns on GCC and Clang, FunFuzz achieves higher compiler coverage than previous LLM-driven baselines and discovers more unique failure-triggering inputs.
• Abstract（参考訳）: 現代のファジィは、構造化された入力を生成するためにLarge Language Models (LLM) の利用が増えているが、LLM駆動のファジィは、初期化とサンプリングのばらつきの促進に敏感であり、探索効率を低下させ、冗長な入力をもたらす。 我々はFunFuzzについて紹介する。FunFuzzは、複数の独立した検索を並列に実行し、高価値候補を周期的に移行して多様性を維持する多島間進化ファジリングフレームワークである。 FunFuzzはドキュメントから初期生成プロンプトを導き、トピック固有の命令で島を初期化する。 ファジング中、候補はインクリメンタルコンパイラのカバレッジによって優先順位付けされ、コンパイラ内部の障害信号はクラッシュを引き起こす入力を識別するために使用される。 我々はFunFuzzをコンパイラファジィングで評価し、入力はソースプログラムであり、コンパイラのカバレッジとユニークなコンパイラ内部の障害によって成功を測定する。 GCCとClangの24時間のキャンペーンの中で、FunFuzzは以前のLCM駆動のベースラインよりも高いコンパイラカバレッジを実現し、よりユニークなエラートリガ入力を発見する。

関連論文リスト

• SDLLMFuzz: Dynamic-static LLM-assisted greybox fuzzing for structured input programs [6.165429775333409]
  SDLLMFuzzは、構造化入力プログラムのための動的静的LLM支援グレーボックスファジングフレームワークである。 提案手法は,構造認識型シード生成と静的クラッシュ解析を統合し,統一されたフィードバックループを形成する。 実験結果から,SDLLMFuzzは従来のグレーボックスファザーよりも有意に優れていた。
  論文  参考訳（メタデータ） (2026-04-20T03:10:31Z)
• From Early Encoding to Late Suppression: Interpreting LLMs on Character Counting Tasks [49.57538588967748]
  LLM(Large Language Model)は、複雑なベンチマークでは優れているにもかかわらず、単語中の文字数などの基本的な記号的タスクにおいて失敗を示す。 我々は、LLaMA、Qwen、Gemmaなど、現代のアーキテクチャにまたがる一貫した現象を発見した。 LLMにおけるシンボリック推論失敗は,表現不足やスケール不足によるものではなく,モデル計算グラフ内の構造的干渉によるものであることを示す。
  論文  参考訳（メタデータ） (2026-04-01T11:40:12Z)
• Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
  LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。 テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。 そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:14:51Z)
• Discovering 100+ Compiler Defects in 72 Hours via LLM-Driven Semantic Logic Recomposition [15.27741331581011]
  プログラム生成に機能を組み合わせたコンパイラファズーであるFeatureFuzzを提案する。 24時間にわたるキャンペーンで、FeatureFuzzは167のユニークなクラッシュを発見し、これは第2位のファザーより2.78倍高い。 72時間のファジィキャンペーンを通じて、FeatureFuzzはGCCとLLVMの113のバグを特定した。
  論文  参考訳（メタデータ） (2026-01-18T11:33:45Z)
• Hybrid Fuzzing with LLM-Guided Input Mutation and Semantic Feedback [0.0]
  本稿では,静的および動的解析をLarge Language Model(LLM)誘導入力変異と意味フィードバックと統合したハイブリッドファジリングフレームワークを提案する。 本手法は,最先端のファジィよりも高速な時間対第一のバグ,意味的多様性の向上,およびユニークなバグの競合数を実現する。
  論文  参考訳（メタデータ） (2025-11-06T02:38:24Z)
• Semantic-Aware Fuzzing: An Empirical Framework for LLM-Guided, Reasoning-Driven Input Mutation [0.5336076422485075]
  インターネット・オブ・Thingsデバイス、モバイル・プラットフォーム、自律システムのセキュリティ上の脆弱性は依然として重要だ。 従来の突然変異ベースのファジィザは、主に意味論的推論なしでバイトやビットレベルの編集を行う。 本稿では,Google の FuzzBench 上で LLM を AFL++ に統合するオープンソースフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T19:57:29Z)
• LLAMA: Multi-Feedback Smart Contract Fuzzing Framework with LLM-Guided Seed Generation [56.84049855266145]
  進化的突然変異戦略とハイブリッドテスト技術を統合したマルチフィードバックスマートコントラクトファジリングフレームワーク(LLAMA)を提案する。 LLAMAは、91%の命令カバレッジと90%のブランチカバレッジを達成すると同時に、148の既知の脆弱性のうち132が検出される。 これらの結果は、現実のスマートコントラクトセキュリティテストシナリオにおけるLAMAの有効性、適応性、実用性を強調している。
  論文  参考訳（メタデータ） (2025-07-16T09:46:58Z)
• $\mathbb{USCD}$: Improving Code Generation of LLMs by Uncertainty-Aware Selective Contrastive Decoding [64.00025564372095]
  大規模言語モデル(LLM)は、コード生成において顕著な能力を示している。 幻覚の影響(例えば出力ノイズ)は、LLMが1パスで高品質なコードを生成するのを難しくする。 単純かつ効果的なtextbfuncertainty-aware textbf select textbfcontrastive textbfdecodingを提案する。
  論文  参考訳（メタデータ） (2024-09-09T02:07:41Z)
• FuzzCoder: Byte-level Fuzzing Test via Large Language Model [46.18191648883695]
  我々は,攻撃を成功させることで,入力ファイルのパターンを学習するために,微調整された大言語モデル(FuzzCoder)を採用することを提案する。 FuzzCoderは、プログラムの異常な動作を引き起こすために、入力ファイル内の突然変異位置と戦略位置を予測することができる。
  論文  参考訳（メタデータ） (2024-09-03T14:40:31Z)
• NAPG: Non-Autoregressive Program Generation for Hybrid Tabular-Textual Question Answering [52.10214317661547]
  現在の数値推論法はプログラムシーケンスを自己回帰的にデコードする。 プログラム生成の精度は、デコードステップがエラー伝搬によって展開されるにつれて急激に低下する。 本稿では,非自己回帰型プログラム生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-07T11:25:21Z)

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。