論文の概要: Rise From The Ashes: LLM-based Static Analysis for Deep Learning Framework Bugs

• arxiv url: http://arxiv.org/abs/2607.00555v1
• Date: Wed, 01 Jul 2026 07:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.782766
• Title: Rise From The Ashes: LLM-based Static Analysis for Deep Learning Framework Bugs
• Title（参考訳）: 灰から立ち上がる:LLMによるディープラーニングフレームワークバグの静的解析
• Abstract要約: ディープラーニング(DL)フレームワークは、重大なセキュリティ上の影響でバグを隠蔽する重要なAIインフラストラクチャである。 静的分析は、実行せずにバグを検出でき、高速でスケーラブルなテストを提供するため、自然な補完である。 Phoenix は LLM をベースとした DL フレームワークの静的解析技術である。
• 参考スコア（独自算出の注目度）: 29.26041624588595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) frameworks are critical AI infrastructures that often hide bugs with serious security implications. While dynamic approaches such as fuzzing are effective in uncovering these bugs, they require real test execution and incur high computational costs. Static analysis is a natural complement because it can detect bugs without runtime execution, offering fast and scalable testing. Unfortunately, there is still limited work targeting static analysis for DL frameworks due to their multilingual architectures and tensor-related program state. We present Phoenix, the first LLM-based static analysis technique for DL frameworks. Our key insight is that cross-language tensor flows in DL frameworks can be modeled, together with concrete code context, as a structured semantic bridge intermediate representation (SBIR) that LLMs can analyze for potential bugs in tensor semantic propagation. We implement this insight through a multi-agent workflow. A summarization agent first distills bug summaries from historical bug-fix patches and CWE rules. Guided by each summary, an extraction agent identifies bug-relevant repository symbols for code retrieval, and a generation agent synthesizes grounded SBIRs from the retrieved context. Finally, an analysis agent is leveraged to check SBIRs and report potential bugs. Our evaluation shows that Phoenix is a practical complement to dynamic DL framework testing for bug finding. To date, Phoenix has found 31 real new bugs in PyTorch for different heterogeneous hardware backends (Intel CPU, NVIDIA CUDA, and Apple MPS). Among them, 20 submitted bug-fixing patches have been merged into upstream.
• Abstract（参考訳）: ディープラーニング(DL)フレームワークは、重大なセキュリティ上の影響でバグを隠蔽する重要なAIインフラストラクチャである。 ファジィングのような動的アプローチはこれらのバグを明らかにするのに効果的であるが、実際のテスト実行と高い計算コストを必要とする。 静的解析は、ランタイム実行なしでバグを検出でき、高速でスケーラブルなテストを提供するため、自然な補完である。 残念なことに、多言語アーキテクチャとテンソル関連プログラム状態のため、DLフレームワークの静的解析をターゲットとする作業はまだ限られている。 Phoenix は LLM をベースとした DL フレームワークの静的解析技術である。 我々の重要な洞察は、DLフレームワーク内の言語間テンソルフローを、具体的なコードコンテキストとともに、LLMがテンソル意味伝搬の潜在的なバグを解析できる構造化セマンティックブリッジ中間表現(SBIR)としてモデル化できるということである。 マルチエージェントのワークフローを通じて、この洞察を実装します。 要約エージェントは、まず、履歴バグ修正パッチとCWEルールからバグサマリーを蒸留する。 各要約によってガイドされた抽出エージェントは、コード検索のためのバグ関連リポジトリシンボルを特定し、生成エージェントは、検索されたコンテキストから接地されたSBIRを合成する。 最後に、分析エージェントを利用してSBIRをチェックし、潜在的なバグを報告します。 評価の結果,Phoenixはバグ発見のための動的DLフレームワークテストの実践的補完であることがわかった。 これまでPhoenixは、さまざまな異種ハードウェアバックエンド(Intel CPU、NVIDIA CUDA、Apple MPS)に対して、PyTorchに31の新しいバグを発見した。 その中には、20件のバグ修正パッチがアップストリームにマージされている。

関連論文リスト

• TELLER: Non-intrusive Cross-Layer Root-Cause Analysis for LLM Inference [47.62941623025392]
  本稿では,非侵入的でログ対応なLLM推論フレームワークであるTELLERについて紹介する。 TELLERはモデルバイナリを変更することなく、NVTX/CUPTIトレースとサービスログを収集する。 リクエスト毎のコールチェーンツリーを再構築し、ログ行と対応する実行ステップをアライメントする。 これらの表現に加えて、TELLERは数値的候補のローカライゼーションとマルチモーダルな根起因モデルを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-03T09:39:11Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• LLM-Powered Silent Bug Fuzzing in Deep Learning Libraries via Versatile and Controlled Bug Transfer [15.118579443741659]
  我々は、歴史的バグレポートには、サイレントバグに関する情報が豊富に活用されていないという観察に基づいて構築する。 我々は大規模言語モデル(LLM)を活用して、サイレントバグファジィのための多目的かつ制御されたバグ転送を行う。 これにより、既知のバグギーから機能的に類似したターゲットへ、リスクの高いコンテキストやオラクルの設計を移すことで、サイレントバグを積極的に検出することができる。
  論文  参考訳（メタデータ） (2026-02-26T14:53:26Z)
• Outrunning LLM Cutoffs: A Live Kernel Crash Resolution Benchmark for All [57.23434868678603]
  Live-kBenchは、新たに発見されたカーネルバグのエージェントをスクラップし、評価するセルフ進化ベンチマークの評価フレームワークである。 kEnvは、カーネルのコンパイル、実行、フィードバックのためのエージェントに依存しないクラッシュ解決環境である。 kEnvを用いて3つの最先端エージェントをベンチマークし、最初の試行で74%のクラッシュを解決したことを示す。
  論文  参考訳（メタデータ） (2026-02-02T19:06:15Z)
• Multi-Agent Taint Specification Extraction for Vulnerability Detection [49.27772068704498]
  コンテナ分析を使用した静的アプリケーションセキュリティテスト(SAST)ツールは、高品質な脆弱性検出結果を提供するものとして広く見なされている。 本稿では,Large Language Models (LLM) のセマンティック理解と従来の静的プログラム解析を戦略的に組み合わせたマルチエージェントシステムであるSemTaintを提案する。 私たちは、SemTaintを最先端のSASTツールであるCodeQLと統合し、これまでCodeQLで検出できなかった162の脆弱性の106を検出して、その効果を実証しています。
  論文  参考訳（メタデータ） (2026-01-15T21:31:51Z)
• InspectCoder: Dynamic Analysis-Enabled Self Repair through interactive LLM-Debugger Collaboration [71.18377595277018]
  大きな言語モデル(LLM)は、診断が難しい複雑なロジックエラーを伴うバグの多いコードを生成することが多い。 対話型デバッガ制御による動的解析を LLM に委ねる初のエージェントプログラム修復システムである InspectCoder を提案する。
  論文  参考訳（メタデータ） (2025-10-21T06:26:29Z)
• 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)
• KNighter: Transforming Static Analysis with LLM-Synthesized Checkers [20.368621145118468]
  KNighterは多様なバグパターンを検出することができる高精度チェッカーを生成する。 これまでに、KNighterの合成チェッカーは、Linuxカーネルに92の新しい、クリティカルで、長期間のバグを発見した。
  論文  参考訳（メタデータ） (2025-03-12T02:30:19Z)
• D2A: A Dataset Built for AI-Based Vulnerability Detection Methods Using Differential Analysis [55.15995704119158]
  静的解析ツールによって報告されたラベル問題に対する差分解析に基づくアプローチであるD2Aを提案する。 D2Aを使用して大きなラベル付きデータセットを生成し、脆弱性識別のためのモデルをトレーニングします。
  論文  参考訳（メタデータ） (2021-02-16T07:46:53Z)

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。