論文の概要: NeuroLog: Reasoning You Can Audit -- Neuro-Symbolic Vulnerability Discovery via LLM Facts, Datalog, and SMT

• arxiv url: http://arxiv.org/abs/2606.00669v1
• Date: Sat, 30 May 2026 10:50:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 15:05:48.954172
• Title: NeuroLog: Reasoning You Can Audit -- Neuro-Symbolic Vulnerability Discovery via LLM Facts, Datalog, and SMT
• Title（参考訳）: NeuroLog:Reasoning You Can Audit -- LLM Facts, Datalog, SMTによるニューロシンボリック脆弱性発見
• Abstract要約: C/C++ソースの脆弱性発見では、単一のクエリを実行する前に動作するビルドを必要とする静的アナライザと、ソースを読み取りながら詳細を知り、レアル上のクロスファンクションデータフローのトラックを失うフリーフォームのLCMを、アナリストに選択するよう求めている。 我々は、各イテレーションで優れた型付きデータフローを発見する、エンドツーエンドのビルド・ツー・エンドパイプラインであるNeuroLogを紹介します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vulnerability discovery on C/C++ source asks the analyst to choose between heavyweight static analysers, which need a working build before a single query runs, and free-form LLMs, which read source readily but invent details and lose track of cross-function dataflow on real codebases. We present NeuroLog, an end-to-end build-free pipeline that assigns each layer the role it is uniquely good at: an LLM extracts typed dataflow facts one function at a time; a Souffle rule mesh composes those facts into cross-function findings; a Z3 post-pass filters infeasible findings and emits a SAT model for each survivor. To go beyond pure static reasoning we also fold in runtime evidence: likely range invariants from a handful of corpus seeds tighten the SMT problem at near-zero cost. A second LLM agent reads each SAT model and writes a Python program that produces a candidate crashing input, validated by an AddressSanitizer harness. Combining static-narrowing-SMT (Saturn, Pinpoint) and Datalog-with-SMT (Formulog) is prior art; new here are an LLM-derived fact base, a no-build pipeline, and the SAT model as an artifact (input to crash synthesis) rather than a yes/no verdict. Across stb, cJSON, libxml2, an FFmpeg demuxer slice, and curl 8.3.0, NeuroLog re-discovers eight CVE-class issues end-to-end, including the CVSS-9.8 SOCKS5 heap overflow CVE-2023-38545, each ASan-confirmed. On libarchive HEAD we surface five memory-safety bugs (four previously unreported) across the cpio reader and the XAR/WARC/7zip writers; all filed upstream, several fixes merged, with the cpio use-after-free acknowledged in seven hours. Extraction takes ~37 s and $0.005 on stb; crash synthesis turned a static finding into a 102-byte stb_vorbis crash in two LLM iterations (no fuzzer); a likely-invariant filter from three Matroska seeds eliminates 13.2% of the FFmpeg-demuxer feasible set.
• Abstract（参考訳）: C/C++ソースの脆弱性発見では、単一のクエリ実行前に動作するビルドを必要とするヘビーウェイトな静的アナライザと、ソースを読みやすいが詳細を発明し、実際のコードベースでクロスファンクショナルなデータフローのトラックを失うフリーフォームのLCMを、アナリストに選択するよう求めている。 LLMは型付きデータフロー事実を一度に1つの関数を抽出し、Suffleルールメッシュはこれらの事実をクロスファンクショナルな結果に構成し、Z3ポストパスフィルタは実現不可能な結果を示し、サバイバル毎にSATモデルを出力する。 純粋な静的推論を超えて、実行時のエビデンスも折り畳む: 少数のコーパスシードから不変量の範囲が、ほぼゼロのコストでSMT問題を締め付ける。 第2のLLMエージェントは各SATモデルを読み出し、AddressSanitizerのハーネスによって検証された入力をクラッシュする候補を生成するPythonプログラムを書く。 静的narrowing-SMT (Saturn, Pinpoint) と Datalog-with-SMT (Formulog) の組み合わせは先行技術である。 stb, cJSON, libxml2, FFmpeg demuxer スライス, curl 8.3.0でNeuroLogは,CVSS-9.8 SOCKS5ヒープオーバーフローCVE-2023-38545を含む,8つのCVEクラスの問題を再発見する。 libarchive HEADでは、cpioリーダーとXAR/WARC/7zipライターに5つのメモリセーフティバグ(以前報告されていない4つのバグ)が報告されています。 抽出には37秒から0.005ドルを要し、クラッシュ合成は2回のLCMイテレーションで102バイトのstb_vorbisクラッシュに変化した。

関連論文リスト

• SPL: Orchestrating Workflows with Declarative Deterministic-Probabilistic Composition [0.0]
  SPLは1つの仕様で決定論的計算と確率論的計算モードを構成する宣言型言語である。 A.splの仕様は、ローカルノード、クラウドAPI、分散グリッドで動作しない。 広範囲な78レシピの料理ブックと1200ランの制御実験により,SPLの有効性を検証した。
  論文  参考訳（メタデータ） (2026-07-06T03:53:10Z)
• From Attack Simulation to SIEM Rule: Deterministic Detection-as-Code Synthesis with Probe-Level Traceability [51.56484100374058]
  セキュリティチームは、自身のシステムに対する攻撃をシミュレートして、監視が真の侵入者を捕まえるかどうかをチェックする。 人間はそのギャップを手でブリッジし、それぞれの発見を読み、対応するシグマルールを書きます。 ロックされたコーパスからプローブが引き出されると,この変換が部分的に自動化されることを示す。
  論文  参考訳（メタデータ） (2026-06-03T14:26:25Z)
• Nautilus Compass: Black-box Persona Drift Detection for Production LLM Agents [2.417342411475111]
  ナチラス・コンパス(Nautilus Compass)は、ブラックボックスドリフト検出器と、生産用コーディングエージェントのためのエージェントメモリ層である。 このシステムは、Claude Codeプラグイン、CP 20245 A2Aサーバ、CLI、APIを1つのデーモンで提供する。
  論文  参考訳（メタデータ） (2026-05-11T01:49:17Z)
• Correct Code, Vulnerable Dependencies: A Large Scale Measurement Study of LLM-Specified Library Versions [52.50730821321986]
  大規模言語モデル(LLM)におけるバージョンレベルのリスクの大規模評価を初めて行った。 我々は1000のStack OverflowプログラミングタスクのベンチマークであるPinTrace上で10のLLMを評価した。 LLM バージョン選択は LLM ベース開発における第1級, 以前は見落とされたリスクサーフェスとして確認された。
  論文  参考訳（メタデータ） (2026-05-07T13:52:59Z)
• Finding Memory Leaks in C/C++ Programs via Neuro-Symbolic Augmented Static Analysis [10.008985618291723]
  MemHintは、コードの意味的理解とシンボリック推論を組み合わせた、ニューロシンボリックパイプラインである。 MemHintは検出されたバグ毎に52のユニークなメモリリークを検出し、バニラCodeQLでは19、バニラInferでは3である。 7つの現実世界のC/C++プロジェクトが合計340万行を超えるコードに対して、MemHintは検出されたバグ毎に52のユニークなメモリリークを約1.7ドルで検出した。
  論文  参考訳（メタデータ） (2026-03-28T10:31:58Z)
• 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)
• 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)
• May the Feedback Be with You! Unlocking the Power of Feedback-Driven Deep Learning Framework Fuzzing via LLMs [20.03968975178177]
  ファズテスト(ファズテスト、fuzzing)は、ディープラーニング(DL)フレームワークのバグを見つけるための、シンプルで効果的な方法である。 本稿では,LLM(Large Language Model)とLLM(Generation LLM)という2つの大言語モデル(LLM)からなるフィードバック情報を効果的に活用するFUELを提案する。 FUELはPyTorchのラインコードカバレッジを改善し、最先端のベースラインよりも9.15%、14.70%向上できることを示す。
  論文  参考訳（メタデータ） (2025-06-21T08:51:53Z)
• Beyond Next Token Probabilities: Learnable, Fast Detection of Hallucinations and Data Contamination on LLM Output Distributions [60.43398881149664]
  LLM出力シグナチャの効率的な符号化を訓練した軽量アテンションベースアーキテクチャであるLOS-Netを紹介する。 非常に低い検出レイテンシを維持しながら、さまざまなベンチマークやLLMで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-18T09:04:37Z)
• SWE-Fixer: Training Open-Source LLMs for Effective and Efficient GitHub Issue Resolution [56.9361004704428]
  大規模言語モデル(LLM)は、様々な複雑なタスクにまたがる顕著な習熟度を示している。 SWE-Fixerは、GitHubの問題を効果的かつ効率的に解決するために設計された、新しいオープンソースフレームワークである。 我々は,SWE-Bench LiteとVerifiedベンチマークに対するアプローチを評価し,オープンソースモデル間の競合性能を実現する。
  論文  参考訳（メタデータ） (2025-01-09T07:54:24Z)
• Your Fix Is My Exploit: Enabling Comprehensive DL Library API Fuzzing with Large Language Models [49.214291813478695]
  AIアプリケーションで広く使用されているディープラーニング(DL)ライブラリは、オーバーフローやバッファフリーエラーなどの脆弱性を含むことが多い。 従来のファジィングはDLライブラリの複雑さとAPIの多様性に悩まされている。 DLライブラリのためのLLM駆動ファジィ手法であるDFUZZを提案する。
  論文  参考訳（メタデータ） (2025-01-08T07:07:22Z)
• Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
  タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。 そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。 このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
  論文  参考訳（メタデータ） (2024-06-02T16:53:21Z)
• LLMDFA: Analyzing Dataflow in Code with Large Language Models [8.92611389987991]
  本稿では,コンパイル不要でカスタマイズ可能なデータフロー解析フレームワークLLMDFAを提案する。 問題をいくつかのサブタスクに分解し、一連の新しい戦略を導入する。 LLMDFAは平均87.10%の精度と80.77%のリコールを達成し、F1スコアを最大0.35に向上させた。
  論文  参考訳（メタデータ） (2024-02-16T15:21:35Z)

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。