論文の概要: Graph-Aware Fuzzing for Graph Database Management Systems

• arxiv url: http://arxiv.org/abs/2607.03741v1
• Date: Sat, 04 Jul 2026 07:08:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.703574
• Title: Graph-Aware Fuzzing for Graph Database Management Systems
• Title（参考訳）: グラフデータベース管理システムのためのグラフ認識ファジング
• Abstract要約: GDBMSクエリエンジンのためのブラックボックスファジリングフレームワークであるGRAFを提案する。 複雑なグラフ制約の下で有効かつ構造的に多様なクエリを生成する。 実行時間、結果サイズ、システムステータスを含む、実行状態フィードバックによってガイドされる5つのグラフ固有の突然変異演算子を適用します。 GRAFは、各目標において最強のベースラインに対して、ラインカバレッジを31.6%から41.1%改善している。
• 参考スコア（独自算出の注目度）: 22.261896283072137
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Database Management Systems (GDBMSs) are essential infrastructure for managing interconnected data. Existing GDBMS testing methods primarily rely on differential and metamorphic testing. The result consistency oracles of these methods constrain inputs to queries that are comparable across engines or transformations, leaving single engine runtime failures, such as crashes and memory errors, insufficiently explored. Developing dedicated fuzzers for GDBMSs faces two key challenges: (1) generating valid and structurally diverse queries under complex graph constraints, and (2) guiding exploration to capture topology dependent execution behavior. To address these challenges, we propose GRAF, a black box fuzzing framework for GDBMS query engines. First, GRAF introduces graph context aware query generation based on cascading dependency resolution. It instantiates parameterized Cypher skeletons generated by a Large Language Model (LLM) by jointly resolving labels, relationship types, properties, values, and variable scopes against the active graph state. This process produces structurally diverse queries while eliminating syntactic and semantic violations. Second, GRAF applies five graph specific mutation operators guided by execution state feedback, including execution time, result size, and system status. This feedback steers exploration away from unproductive queries and expensive traversals, while prioritizing local mutations around abnormal executions. We evaluated GRAF against three existing approaches on six widely used GDBMSs. GRAF consistently improves line coverage by 31.6% to 41.1% over the strongest baseline on each target. In 12 hour fuzzing, it triggered 25 unique bugs, compared to six from all baselines combined. Overall, GRAF discovered 34 previously unknown bugs, with 32 confirmed by developers and 23 assigned CVEs.
• Abstract（参考訳）: グラフデータベース管理システム(GDBMS)は、相互接続されたデータを管理するための重要なインフラである。 既存のGDBMSテスト手法は主に差分テストと変成テストに依存している。 これらのメソッドの一貫性のオーラクルは、エンジンや変換に匹敵するクエリへの入力を制限し、クラッシュやメモリエラーといった単一のエンジン実行時の障害を未然に調査した。 GDBMS用の専用ファズーの開発には、(1)複雑なグラフ制約の下で有効かつ構造的に多様なクエリを生成すること、(2)トポロジに依存した実行行動を捉えるための探索を導くこと、の2つの課題がある。 これらの課題に対処するため,GDBMSクエリエンジン用のブラックボックスファジリングフレームワークであるGRAFを提案する。 まず、GRAFはカスケード依存解決に基づくグラフコンテキスト対応クエリ生成を導入する。 ラベル、関係型、プロパティ、値、変数スコープをアクティブグラフ状態に対して共同で解決することで、LLM(Large Language Model)によって生成されたパラメータ化されたCypherスケルトンをインスタンス化する。 このプロセスは、構文的および意味的違反を排除しながら、構造的に多様なクエリを生成する。 第2に、GRAFは実行時間、結果サイズ、システムステータスを含む実行状態フィードバックによってガイドされる5つのグラフ固有の突然変異演算子を適用している。 このフィードバックは、異常な実行に関する局所的な突然変異を優先順位付けしながら、非生産的なクエリや高価なトラバーサルから探究する。 我々はGRAFを6つの広く使用されているGDBMS上で既存の3つのアプローチと比較した。 GRAFは、各目標において最強のベースラインに対して、ラインカバレッジを31.6%から41.1%改善している。 12時間のファジングで25のユニークなバグを発生させ、すべてのベースラインから合計6つのバグを発生させた。 総じて、GRAFは34の既知のバグを発見し、32の開発者が確認し、23のCVEが割り当てられた。

関連論文リスト

• Degraded but Not Entirely Ineffective: PE-Based Deformable Graph Neural Networks [7.304609897426712]
  位置について提案する。 Based Deformable Space Aggregation Module (PEBDSAM) 我々は、位置空間における変形可能なメカニズムを用いて、GNNの関連する一階隣の情報を識別し、従来のGNNが異種シナリオに適応できるようにする。 モジュールはプラグインされ、GCN、GAT、GIN、GraphSAGEに適用され、3つのホモフィル性データセットと6つのヘテロフィル性グラフデータセットに対して望ましい結果が得られる。
  論文  参考訳（メタデータ） (2026-09-12T04:56:02Z)
• Atomic Task Graph: A Unified Framework for Agentic Planning and Execution [13.978062792065215]
  Atomic Task Graph (ATG) は、計画と実行のための統一された制御フレームワークである。 ATGは依存関係を公開するための明示的なグラフを維持し、再利用をサポートする。 ATGは、成功率と実行効率の強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-02T09:34:20Z)
• GREPO: A Benchmark for Graph Neural Networks on Repository-Level Bug Localization [50.009407518866965]
  リポジトリレベルのバグローカライゼーションは、ソフトウェアエンジニアリングの重要な課題です。 GNNは、複雑なリポジトリ全体の依存関係をモデル化できるため、有望な代替手段を提供する。 GREPOは、リポジトリスケールのバグローカライゼーションタスクのための最初のGNNベンチマークである。
  論文  参考訳（メタデータ） (2026-02-14T23:22:15Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• Divide by Question, Conquer by Agent: SPLIT-RAG with Question-Driven Graph Partitioning [62.640169289390535]
  SPLIT-RAGは、質問駆動セマンティックグラフ分割と協調サブグラフ検索による制限に対処するマルチエージェントRAGフレームワークである。 革新的なフレームワークは、まずリンク情報のセマンティック分割を作成し、次にタイプ特化知識ベースを使用してマルチエージェントRAGを実現する。 属性対応グラフセグメンテーションは、知識グラフを意味的に一貫性のあるサブグラフに分割し、サブグラフが異なるクエリタイプと整合することを保証する。 階層的なマージモジュールは、論理的検証を通じて、部分グラフ由来の解答間の矛盾を解消する。
  論文  参考訳（メタデータ） (2025-05-20T06:44:34Z)
• Identifying Root Cause of bugs by Capturing Changed Code Lines with Relational Graph Neural Networks [7.676213873923721]
  本稿では,変化したコード行中のルート原因削除線を検出するRC検出法を提案する。 RC検出は、変更されたコード行中のルート原因の削除線を検出し、バグ修正コミットで導入されたバグの根本原因を特定するために使用される。 実験の結果,最も先進的な根本原因検出法と比較して,RC-detectionはRecall@1,Recall@2,Recall@3,MFRをそれぞれ4.107%,5.113%,4.289%,24.536%改善した。
  論文  参考訳（メタデータ） (2025-05-02T04:29:09Z)
• MA-GTS: A Multi-Agent Framework for Solving Complex Graph Problems in Real-World Applications [22.705728671135834]
  グラフ理論上の問題は、ロジスティクス、通信ネットワーク、トラフィック最適化といった現実世界のアプリケーションで発生する。 大きな言語モデル(LLM)は潜在的な解決策を提供するが、精度や入力長の制約を含む課題に直面している。 エージェント協調による複雑な問題を分解するマルチエージェントフレームワークMA-GTSを提案する。
  論文  参考訳（メタデータ） (2025-02-25T08:34:00Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Dinkel: State-Aware and Granular Framework for Validating Graph Databases [6.966247442329522]
  グラフデータベース管理システム(GDBMS)は、多くのデータ駆動アプリケーションを動かしている。 我々は,GDBMSを徹底的にテストする,新しい,実用的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-14T13:00:24Z)
• GADBench: Revisiting and Benchmarking Supervised Graph Anomaly Detection [44.501646702560635]
  GADBenchは静的グラフにおける教師付き異常ノード検出専用のベンチマークツールである。 我々の主な発見は、GADタスクに適した最新のGNNよりも、単純な近傍集約によるツリーアンサンブルの方が優れたことだ。
  論文  参考訳（メタデータ） (2023-06-21T13:16:10Z)
• RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
  シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。 既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。 両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
  論文  参考訳（メタデータ） (2022-05-03T04:21:15Z)

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。