論文の概要: Understanding Binary Code Similarity for Real-World Vulnerability Detection: A Large-Scale Empirical Study
- arxiv url: http://arxiv.org/abs/2606.28870v1
- Date: Sat, 27 Jun 2026 11:26:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.721748
- Title: Understanding Binary Code Similarity for Real-World Vulnerability Detection: A Large-Scale Empirical Study
- Title（参考訳）: 実世界の脆弱性検出のためのバイナリコード類似性:大規模実証研究
- Abstract要約: BCSDを用いて,200ベンダから6万のファームウェアイメージに対する脆弱性検出を大規模に実施する。
脆弱な機能バージョン,脆弱性検索スペース,関数サイズ,コンパイルツールチェーンの4つの要因がBCSD性能に与える影響について検討する。
TPL対応の2段階探索プロセスは精度を大幅に向上し、検索スペースを制限してMRRを18.5%改善する。
- 参考スコア（独自算出の注目度）: 15.569141472526502
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Firmware lies at the heart of IoT devices. Its development depends heavily on third-party libraries (TPLs), which greatly accelerate the process but simultaneously introduce associated vulnerabilities. Binary Code Similarity Detection (BCSD) is an effective technique for identifying vulnerabilities in firmware by comparing pairs of code segments. However, existing studies either evaluate their performance only on small-scale datasets or lack diversity in terms of vulnerabilities, TPLs, and firmware. Consequently, a comprehensive understanding of BCSD for real-world vulnerability detection remains absent. To bridge this gap, we conduct a large-scale study of vulnerability detection across 60,000 firmware images from 200 vendors using BCSD. Rather than introducing a novel model, we examine the influence of four key factors -- vulnerable function versions, vulnerability search space, function sizes, and compilation toolchains on BCSD performance. Our results reveal that these factors substantially affect performance, often by wide margins. To address this, we propose a build-aware query strategy that derives queries from representative real-world binaries, effectively closing the gap and raising the mean reciprocal rank (MRR) from 0.818 to 0.981. Furthermore, we demonstrate that a TPL-aware, two-stage search process significantly enhances accuracy, improving MRR by 18.5\% by limiting the search space.
- Abstract（参考訳）: ファームウェアはIoTデバイスの中心にある。
開発はサードパーティ製ライブラリ(TPL)に大きく依存しており、プロセスを大幅に加速する一方で、関連する脆弱性も同時に導入する。
バイナリコード類似度検出(BCSD)は、コードセグメントのペアを比較してファームウェアの脆弱性を特定する効果的な手法である。
しかし、既存の研究では、小規模データセットのみの性能を評価するか、脆弱性、TPL、ファームウェアの多様性を欠いている。
そのため、現実世界の脆弱性検出のためのBCSDの包括的な理解はいまだに残っていない。
このギャップを埋めるために、BCSDを使用して200のベンダーから6万のファームウェアイメージに対する脆弱性検出を大規模に実施する。
新たなモデルを導入するのではなく、脆弱性のある機能バージョン、脆弱性検索スペース、関数サイズ、コンパイルツールチェーンがBCSDパフォーマンスに与える影響について検討する。
以上の結果から,これらの要因が性能に大きく影響していることが判明した。
そこで本研究では,実世界の代表的なバイナリからクエリを導出し,そのギャップを効果的に解消し,平均相反ランク(MRR)を0.818から0.981に引き上げる,ビルドアウェアなクエリ戦略を提案する。
さらに,TPL対応の2段階探索により精度が大幅に向上し,検索空間の制限によりMRRが18.5\%向上することが実証された。
関連論文リスト
- Statistical Analysis of Executability and Program Equivalence in Decompilation for IoT Vulnerability Detection [1.9637266103693347]
本研究では,構造的,行動的,意味的類似性の3つのカテゴリからなる9次元品質評価尺度を提案する。
脆弱性は、エラー処理フローや境界チェックなど、このプロセスで簡単に失われる詳細で生じることが多い。
本研究はIoTデバイスの実装欠陥の定量化のための統計的評価基盤を提供する。
論文 参考訳（メタデータ） (2026-08-07T08:36:35Z) - RealSec-bench: A Benchmark for Evaluating Secure Code Generation in Real-World Repositories [58.32028251925354]
LLM(Large Language Models)は、コード生成において顕著な能力を示しているが、セキュアなコードを生成する能力は依然として重要で、未調査の領域である。
我々はRealSec-benchを紹介します。RealSec-benchは、現実世界の高リスクなJavaリポジトリから慎重に構築されたセキュアなコード生成のための新しいベンチマークです。
論文 参考訳（メタデータ） (2026-01-30T08:29:01Z) - A Large Scale Study of AI-based Binary Function Similarity Detection Techniques for Security Researchers and Practitioners [20.470574733047442]
バイナリ関数類似性検出(BFSD)は、ソフトウェアセキュリティの基本技術である。
AIベースのBFSDツールの最近の進歩は、大幅なパフォーマンス向上につながっている。
このギャップに対処するために,AIベースのBFSDツールに関する大規模な実証的研究を行った。
論文 参考訳（メタデータ） (2025-11-03T03:10:25Z) - DiffuGuard: How Intrinsic Safety is Lost and Found in Diffusion Large Language Models [50.21378052667732]
我々は、ステップ内およびステップ間ダイナミクスという2つの異なる次元にわたるジェイルブレイク攻撃に対して、dLLM脆弱性の詳細な分析を行う。
デュアルステージアプローチによる脆弱性に対処する,トレーニング不要な防御フレームワークであるDiffuGuardを提案する。
論文 参考訳（メタデータ） (2025-09-29T05:17:10Z) - Ensembling Large Language Models for Code Vulnerability Detection: An Empirical Evaluation [69.8237598448941]
本研究では,ソースコードの脆弱性検出において,Large Language Models(LLM)の性能を高めるためのアンサンブル学習の可能性を検討する。
脆弱性検出に適したスタック機能であるDynamic Gated Stacking (DGS)を提案する。
論文 参考訳（メタデータ） (2025-09-16T03:48:22Z) - VulnRepairEval: An Exploit-Based Evaluation Framework for Assessing Large Language Model Vulnerability Repair Capabilities [41.85494398578654]
VulnRepairEvalは、関数型Proof-of-Conceptエクスプロイトに固定された評価フレームワークである。
我々のフレームワークは、再現可能な微分評価を可能にする包括的でコンテナ化された評価パイプラインを提供する。
論文 参考訳（メタデータ） (2025-09-03T14:06:10Z) - VulBinLLM: LLM-powered Vulnerability Detection for Stripped Binaries [4.1417640577742425]
Vul-BinLLMは、大規模言語モデルを用いたバイナリ脆弱性検出のためのフレームワークである。
Vul-BinLLMは、拡張コンテキストで逆コンパイルと脆弱性推論を微妙に最適化することで、従来のバイナリ分析を反映している。
評価の結果,Vul-BinLLMはジュリエットデータセットの脆弱性の検出に極めて有効であることがわかった。
論文 参考訳（メタデータ） (2025-05-28T06:17:56Z) - Benchmarking LLMs and LLM-based Agents in Practical Vulnerability Detection for Code Repositories [8.583591493627276]
JitVulは、各関数をその脆弱性導入とコミットの修正にリンクする脆弱性検出ベンチマークである。
思考・行動・観察と相互言語的文脈を活用するReAct Agentsは,良性のあるコードと区別する上で,LLMよりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2025-03-05T15:22:24Z) - Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。
本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。
IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-10-24T09:09:20Z) - The Impact of SBOM Generators on Vulnerability Assessment in Python: A Comparison and a Novel Approach [56.4040698609393]
Software Bill of Materials (SBOM) は、ソフトウェア構成における透明性と妥当性を高めるツールとして推奨されている。
現在のSBOM生成ツールは、コンポーネントや依存関係を識別する際の不正確さに悩まされることが多い。
提案するPIP-sbomは,その欠点に対処する新しいピップインスパイアされたソリューションである。
論文 参考訳（メタデータ） (2024-09-10T10:12:37Z) - Asteria-Pro: Enhancing Deep-Learning Based Binary Code Similarity
Detection by Incorporating Domain Knowledge [8.93208472340743]
本稿では,ドメイン知識に基づく事前フィルタリングと再分類モジュールを組み込んだ新しいディープラーニング強化アーキテクチャを提案する。
Asteria-Proは、高い精度で1,482の脆弱な関数を91.65%検出する。
論文 参考訳（メタデータ） (2023-01-02T03:16:26Z)
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。