論文の概要: Thinking More, Harnessing Better: State Machine Guided Harness Automatic Generation with Project Digestion and Workflow Decomposition
- arxiv url: http://arxiv.org/abs/2607.07007v1
- Date: Wed, 08 Jul 2026 05:04:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.284659
- Title: Thinking More, Harnessing Better: State Machine Guided Harness Automatic Generation with Project Digestion and Workflow Decomposition
- Title（参考訳）: より深く、より良く考える: プロジェクトダイジェストとワークフロー分解によるステートマシンガイドされたハーネス自動生成
- Authors: Xing Zhang, Zikang Huang, Gang Yang, CongChong Wang, Lu Liu, Bin Yin, Mingyi Wang, Ziquan Zhao, Min Li, Zhenyu Chen, Bo Wu, Lingyun Ying,
- Abstract要約: SynapseFlowは2つの重要なイノベーションを通じて制限に対処する自動ハーネスジェネレータである。
SynapseFlowはまずソースコードを分析して構造フローグラフを構築し、コヒーレント関数トリプレットを抽出する。
その後、ステージ付きロールバックアルゴリズムによって制御される4段階のプロセスを通じてハーネスを合成し、正確性を保証する。
- 参考スコア（独自算出の注目度）: 16.37262243889993
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-quality fuzz harnesses are essential for effective gray-box fuzzing. While Large Language Models (LLMs) offer promise for automating this task, existing one-turn generation methods suffer from hallucinations and inadequate coverage due to coarse-grained function targeting and misaligned generation workflows. We present SynapseFlow, an automatic harness generator that addresses these limitations through two key innovations: dataflow-aware function aggregation and a staged, rollback-enabled generation workflow decomposition. SynapseFlow first analyzes source code to construct Structural Flow Graphs and extract coherent Function Triplets. It then synthesizes harnesses via a decomposed four-stage process governed by a staged rollback algorithm to ensure correctness. We evaluated SynapseFlow on 25 real-world open-source software projects. The experimental results indicate that SynapseFlow outperforms state-of-the-art tools (OSS-Fuzz-Gen, CKGFuzzer, PromeFuzz), achieving 3.07$\times$, 1.71$\times$, and 4.26$\times$ higher branch coverage, and 1.77$\times$, 1.51$\times$, and 1.36$\times$ higher bug detection rates, respectively. Most importantly, SynapseFlow discovered 7 previously unreported bugs (5 assigned CVEs), demonstrating its practical effectiveness in real-world bug discovery.
- Abstract（参考訳）: 高品質のファジハーネスは、効果的なグレーボックスファジリングに不可欠である。
大きな言語モデル(LLM)は、このタスクを自動化することを約束するが、既存のワンターン生成メソッドは、粗い粒度の関数ターゲティングと不正な生成ワークフローのために、幻覚と不十分なカバレッジに悩まされる。
SynapseFlowは,データフローを意識した関数アグリゲーションと,段階的にロールバック可能な生成ワークフローの分解という,2つの重要なイノベーションを通じて,これらの制限に対処する自動ハーネスジェネレータである。
SynapseFlowはまずソースコードを分析して構造フローグラフを構築し、コヒーレント関数トリプレットを抽出する。
その後、分解された4段階のプロセスを通じてハーネスを合成し、ステージバックアルゴリズムで制御し、正確性を保証する。
実世界の25のオープンソースプロジェクトでSynapseFlowを評価した。
実験の結果、SynapseFlowは最先端ツール(OSS-Fuzz-Gen, CKGFuzzer, PromeFuzz)より優れており、3.07$\times$, 1.71$\times$, 4.26$\times$ higher branch coverage, 1.77$\times$, 1.51$\times$, 1.36$\times$ higher bug detection rateをそれぞれ達成している。
最も重要なことは、SynapseFlowが以前に報告されていない7つのバグ(5つのCVEが割り当てられている)を発見し、現実世界のバグ発見においてその実用性を実証したことである。
関連論文リスト
- Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。
EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
論文 参考訳（メタデータ） (2026-05-28T09:45:47Z) - Efficient Hybrid SE(3)-Equivariant Visuomotor Flow Policy via Spherical Harmonics for Robot Manipulation [51.48086451600577]
E3Flowは、同変拡散ポリシーの限界に対処する新しいフレームワークである。
安定な多モード同変学習による効率的な整流を初めて統一する。
E3Flowは、最先端の球拡散政策よりも平均的な成功率を3.12%向上させる。
論文 参考訳（メタデータ） (2026-03-24T14:00:36Z) - AlphaFlow: Understanding and Improving MeanFlow Models [74.64465762009475]
その結果,MeanFlowの目的は,トラジェクティブフローマッチングとトラジェクトリ一貫性という2つの部分に分けられることがわかった。
これらの知見に触発されて、軌跡フローマッチング、ショートカットモデル、MeanFlowを統一する目的の広いファミリーである$alpha$-Flowを紹介した。
クラス条件のImageNet-1K 256x256をバニラのDiTバックボーンでスクラッチからトレーニングすると、$alpha$-Flowはスケールと設定でMeanFlowを一貫して上回る。
論文 参考訳（メタデータ） (2025-10-23T17:45:06Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - AFlow: Automating Agentic Workflow Generation [36.61172223528231]
大規模言語モデル(LLM)は、様々な領域にわたる複雑なタスクを解く上で、顕著な可能性を示している。
我々は、Monte Carlo Tree Searchを使って、この空間を効率的に探索する自動化フレームワークであるAFlowを紹介します。
6つのベンチマークデータセットに対する実証的な評価は、AFlowの有効性を示し、最先端のベースラインよりも平均5.7%向上している。
論文 参考訳（メタデータ） (2024-10-14T17:40:40Z) - Simple ReFlow: Improved Techniques for Fast Flow Models [68.32300636049008]
拡散および流れマッチングモデルは、優れた生成性能を実現するが、多くのサンプリングステップを犠牲にしている。
我々は、力学、学習、推論のトレーニングに7つの改善点を提案する。
我々は、ニューラルネットワークによる高速な生成のために、最先端のFIDスコア(ガイダンスなし/参照なし)を達成している。
論文 参考訳（メタデータ） (2024-10-10T11:00:55Z)
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。