論文の概要: PeAR: A Static Binary Rewriting Framework for Binary-Only Fuzzing

• arxiv url: http://arxiv.org/abs/2606.02126v1
• Date: Mon, 01 Jun 2026 11:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.973339
• Title: PeAR: A Static Binary Rewriting Framework for Binary-Only Fuzzing
• Title（参考訳）: PeAR: バイナリのみのファズリングのための静的バイナリ書き換えフレームワーク
• Authors: Alvin Charles, Adrian Herrera, Peter Oslington, Alwen Tiu,
• Abstract要約: PeARはバイナリのみのファジィフレームワークである。 SBIはバイナリのみのファジィ化において実用的で効果的な手法であることを示す。
• 参考スコア（独自算出の注目度）: 1.2057886807886686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Binary-only fuzzing is a key technique for finding bugs in close-source software. Without access to source code, the fuzzer must rely on static or dynamic binary instrumentation for coverage guidance. In practice, most fuzzers favor dynamic binary instrumentation (DBI), accepting runtime overhead to avoid the perceived accuracy and soundness challenges associated with static binary instrumentation (SBI). We show that these concerns are unwarranted, and that accurate, scalable~SBI is achievable using off-the-shelf frameworks. Building on these frameworks, we develop PeAR, an extensible binary-only fuzzing framework. We demonstrate PeAR's versatility by implementing several modern fuzzer features -- including, deferred initialization, persistent mode, and shared-memory fuzzing. We evaluate PeAR over 4.25 CPU-yrs of fuzzing on the FUZZBENCH benchmark and find that PeAR: (i) successfully instruments 88% of FUZZBENCH targets, comparable to the best SBI-based fuzzers; (ii) achieves a median throughput improvement of 4x when using persistent mode and shared memory fuzzing; and (iii) attains coverage comparable to compiler-based instrumentation. Our results show that SBI is a practical and effective technique for binary-only fuzzing, and that modern binary rewriting frameworks can apply complex instrumentation with high granularity and negligible performance compromise.
• Abstract（参考訳）: バイナリのみのファジィは、オープンソースソフトウェアでバグを見つけるための重要なテクニックである。 ソースコードへのアクセスがなければ、ファズーはカバレッジガイダンスのために静的または動的バイナリーインスツルメンテーションを頼らなければならない。 実際には、ほとんどのファズーは動的バイナリ・インスツルメンテーション(DBI)を好んでおり、静的バイナリ・インスツルメンテーション(SBI)に関連する精度と健全性の問題を避けるために実行時のオーバーヘッドを受け入れる。 これらの懸念は保証されておらず、正確でスケーラブルな~SBIは既製のフレームワークを使って達成可能であることを示しています。 これらのフレームワークに基づいて,拡張可能なバイナリのみのファジィフレームワークであるPeARを開発した。 PeARの汎用性は、初期化の遅延、永続モード、共有メモリファズリングなど、いくつかのモダンなファズー機能を実装することで実証します。 我々は、FUZZBENCHベンチマークでPeARを4.25CPUのファジリングで評価し、PeARは以下の通りである。 i) FUZZBENCH目標の88%を達成し、最高のSBIベースのファザーに匹敵する。 (II)永続モードと共有メモリファジィングを用いた場合の4倍のスループット改善を実現し、 (iii) コンパイラベースのインスツルメンテーションに匹敵するカバレッジを実現する。 その結果、SBIはバイナリのみのファジィ化のための実用的で効果的な手法であり、現代のバイナリ書き換えフレームワークは、高い粒度と無視できる性能の妥協を伴う複雑なインスツルメンテーションを適用することができることを示した。

関連論文リスト

• FuzzRDUCC: Fuzzing with Reconstructed Def-Use Chain Coverage [6.827408090670258]
  バイナリのみのファジィは、コードカバレッジを徹底的に達成し、隠れた脆弱性を明らかにするのに苦労することが多い。 本稿では,FzzRDUCCというファジィフレームワークを紹介した。このファジィフレームワークは,定義使用(def-use)チェーンをバイナリ実行ファイルから直接再構成する。
  論文  参考訳（メタデータ） (2025-09-05T09:47:34Z)
• Beyond the Edge of Function: Unraveling the Patterns of Type Recovery in Binary Code [55.493408628371235]
  本稿では,バイナリコードの変数型を復元するフレームワークByteTRを提案する。 ByteTRは、関数間の変数伝搬の普遍性を考慮して、変数伝搬をトレースするためのプロシーダ間解析を行い、ゲートグラフニューラルネットワークを用いて、変数型回復のための長距離データフロー依存性をキャプチャする。
  論文  参考訳（メタデータ） (2025-03-10T12:27:05Z)
• BiMaCoSR: Binary One-Step Diffusion Model Leveraging Flexible Matrix Compression for Real Super-Resolution [63.777210548110425]
  本稿では,バイナライゼーションと1段階蒸留を組み合わせたBiMaCoSRを提案する。 BiMaCoSRはFPに比べて23.8倍圧縮率と27.4倍スピードアップ比を達成した。
  論文  参考訳（メタデータ） (2025-02-01T06:34:55Z)
• Improving Dual-Encoder Training through Dynamic Indexes for Negative Mining [61.09807522366773]
  本稿では,ソフトマックスを証明可能な境界で近似し,木を動的に維持するアルゴリズムを提案する。 我々は,2000万以上のターゲットを持つデータセットについて検討し,オラクル・ブルート力負の鉱業に関して,誤差を半分に削減した。
  論文  参考訳（メタデータ） (2023-03-27T15:18:32Z)
• BiBench: Benchmarking and Analyzing Network Binarization [72.59760752906757]
  ネットワークバイナライゼーションは、異常な計算とメモリ節約を提供する最も有望な圧縮手法の1つとして出現する。 精度劣化や効率制限といった双項化の一般的な課題は、その属性が完全には理解されていないことを示唆している。 ネットワークバイナライゼーションのための深度解析を用いた厳密に設計されたベンチマークであるBiBenchを提案する。
  論文  参考訳（メタデータ） (2023-01-26T17:17:16Z)
• UniASM: Binary Code Similarity Detection without Fine-tuning [2.2329530239800035]
  モデルがバイナリコードの複雑なニュアンスをキャプチャすることを保証するために,新しいリッチ・セマンティック関数表現手法を提案する。 新たに設計された2つのトレーニングタスクを含むUniASMという,UniLMベースのバイナリコード埋め込みモデルを紹介した。 実験の結果,UniASMは評価データセットに対する最先端(SOTA)アプローチよりも優れていた。
  論文  参考訳（メタデータ） (2022-10-28T14:04:57Z)
• NeuDep: Neural Binary Memory Dependence Analysis [28.33030658966508]
  本稿では,バイナリプログラムの実行方法に関する学習知識を活用して,メモリ依存を予測するための機械学習に基づく新しいアプローチを提案する。 我々はNeuDepにアプローチを実装し、2つのコンパイラ、4つの最適化、4つの難読パスでコンパイルされた41の人気のあるソフトウェアプロジェクトで評価する。
  論文  参考訳（メタデータ） (2022-10-04T04:59:36Z)
• SimCLF: A Simple Contrastive Learning Framework for Function-level Binary Embeddings [2.1222884030559315]
  関数レベルのバイナリ埋め込みのための単純なコントラスト学習フレームワークSimCLFを提案する。 我々は教師なし学習アプローチを採用し、インスタンス識別としてバイナリコード類似性検出を定式化する。 SimCLFは分解されたバイナリ関数を直接操作し、任意のエンコーダで実装できる。
  論文  参考訳（メタデータ） (2022-09-06T12:09:45Z)
• Towards Accurate Binary Neural Networks via Modeling Contextual Dependencies [52.691032025163175]
  既存のバイナリニューラルネットワーク(BNN)は主にバイナライズ機能を備えた局所畳み込みで動作する。 本稿では,二元系ニューラルモジュールの設計を新たに提案し,二元系ニューラルモジュールを大きなマージンで導く。
  論文  参考訳（メタデータ） (2022-09-03T11:51:04Z)
• BATS: Binary ArchitecTure Search [56.87581500474093]
  ニューラルアーキテクチャ検索をバイナリドメインに直接適用すると、非常に貧弱な結果が得られることを示す。 具体的には、新しいバイナリ指向検索空間を導入し、設計する。 また、CIFAR10、CIFAR100、ImageNetデータセット上に、バイナリニューラルネットワークのための新しい最先端技術も設定しました。
  論文  参考訳（メタデータ） (2020-03-03T18:57:02Z)

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。