論文の概要: SeedSmith: LLM-Driven Seed Synthesis for Directed Fuzzing
- arxiv url: http://arxiv.org/abs/2607.08949v2
- Date: Tue, 14 Jul 2026 22:39:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 14:31:40.669546
- Title: SeedSmith: LLM-Driven Seed Synthesis for Directed Fuzzing
- Title（参考訳）: SeedSmith: 直接ファジィ化のためのLCM駆動型種子合成
- Authors: Junmin Zhu, Siyu Liu, Jie Hu, Fabio Gritti, Ati Priya Bajaj, Hulin Wang, Wenbo Guo, Tiffany Bao, Christopher Kruegel, Giovanni Vigna,
- Abstract要約: ファジィングステア(fuzzing steers)ファジィア(fuzzers)をユーザ定義のシンク関数に向けて、脆弱性を識別するが、長いキャンペーンの後にもクラッシュをトリガーしないことが多い。
我々は、間接呼び出しの不完全静的解析と、衝突前条件のセマンティックガイダンスの欠如という、直接ファジィザがクラッシュを露呈することを防ぐ2つの課題を特定する。
セキュリティアナリストのワークフローを複製するエージェントパイプラインであるSeedSmithを紹介します。
- 参考スコア（独自算出の注目度）: 26.159304329367686
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Directed fuzzing steers fuzzers toward user-defined sink functions to identify vulnerabilities, but it frequently fails to trigger crashes even after long campaigns. We identify two challenges that prevent directed fuzzers from exposing crashes: incomplete static analysis of indirect calls, which leaves reachable paths invisible to distance-based guidance, and lack of semantic guidance for crash preconditions, which blind mutation cannot satisfy within practical time budgets. A natural intervention point is the initial seed corpus: seeds that encode the right control-flow path and satisfy key crash preconditions shift fuzzing from blind exploration to local refinement. Existing seed generation approaches address neither: grammar-based and format-driven methods produce structurally valid inputs with no sink awareness, while LLM-based methods either lack sink targeting or inherit static analysis limitations through one-shot prompting. We present SeedSmith, an agentic LLM pipeline that replicates a security analyst's workflow: starting from a sink, it iteratively explores the codebase, resolves indirect calls, identifies crash preconditions, and synthesizes concrete inputs that satisfy them. Because SeedSmith operates as a seed generation front-end, its seeds are fuzzer-agnostic and improve any downstream mutation-based fuzzer without modification. On Magma, fuzzers using SeedSmith seeds achieve geometric mean crash-time speedups of 11.51 times (AFL++) to 14.66 times (AFLGo) over default seeds. On ARVO, SeedSmith enables fuzzers to trigger 16 previously unreachable bugs spanning 10 projects with diverse input formats.
- Abstract（参考訳）: ファジィングステア(fuzzing steers)ファジィア(fuzzers)をユーザ定義のシンク関数に向けて、脆弱性を識別するが、長いキャンペーンの後にもクラッシュをトリガーしないことが多い。
間接呼び出しの非完全静的解析では,距離に基づく誘導では見えない到達可能な経路が残ること,衝突前条件に対する意味的ガイダンスが欠如していること,盲点突然変異が実際の時間予算で満足できないこと,の2つの課題が明らかになった。
自然の介入ポイントは初期種子コーパスであり、適切な制御フロー経路をコードし、重要な衝突前条件を満たす種子は、ブラインド探索から局所的な精製へとファジングを移行させる。
文法ベースとフォーマット駆動の手法は、シンク認識のない構造的に有効な入力を生成するが、LCMベースの手法はシンクターゲティングを欠いているか、ワンショットプロンプトによって静的解析の制限を継承している。
SeedSmithは、セキュリティアナリストのワークフローを複製するエージェントLLMパイプラインで、シンクから、コードベースを反復的に探索し、間接呼び出しを解決し、クラッシュ前の条件を特定し、それらを満たす具体的な入力を合成する。
SeedSmithはシード生成フロントエンドとして機能するため、その種子はファザー非依存であり、修正することなく下流の突然変異ベースのファザーを改善する。
Magmaでは、SeedSmithシードを使用したファッジャは、デフォルトのシードよりも11.51倍(AFL++)から14.66倍(AFLGo)の幾何学的な平均クラッシュタイムのスピードアップを達成する。
ARVOでは、SeedSmithによって、さまざまな入力フォーマットを持つ10のプロジェクトにまたがる、以前は到達不能な16のバグをトリガーすることができる。
関連論文リスト
- From Attack Simulation to SIEM Rule: Deterministic Detection-as-Code Synthesis with Probe-Level Traceability [51.56484100374058]
セキュリティチームは、自身のシステムに対する攻撃をシミュレートして、監視が真の侵入者を捕まえるかどうかをチェックする。
人間はそのギャップを手でブリッジし、それぞれの発見を読み、対応するシグマルールを書きます。
ロックされたコーパスからプローブが引き出されると,この変換が部分的に自動化されることを示す。
論文 参考訳（メタデータ） (2026-06-03T14:26:25Z) - From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。
本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
論文 参考訳（メタデータ） (2026-05-21T04:54:55Z) - From I/O to Code with Discovery Agent [103.88427301265669]
IO2Codeの発見エージェントであるDIO-Agentを提案する。
本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。
大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2026-05-14T18:57:32Z) - Automatic, Expressive, and Scalable Fuzzing with Stitching [12.105597820462634]
ファジィアが実行時に動的に組み立てる部分でAPI使用制限を符号化する手法であるステッチリングを提案する。
我々はSTITCHで縫合を実装し、LCMを使用してファジィングのプロジェクトを自動的に構成し、仕様を合成し、トリアージクラッシュを発生させ、仕様自体を修復する。
33のベンチマークで4つの最先端ツールに対してSTITCHを評価し、21のコードカバレッジを達成し、他のツールの組み合わせで10よりも30の真陽性バグを発見しました。
論文 参考訳（メタデータ） (2026-02-21T01:48:17Z) - Hybrid Fuzzing with LLM-Guided Input Mutation and Semantic Feedback [0.0]
本稿では,静的および動的解析をLarge Language Model(LLM)誘導入力変異と意味フィードバックと統合したハイブリッドファジリングフレームワークを提案する。
本手法は,最先端のファジィよりも高速な時間対第一のバグ,意味的多様性の向上,およびユニークなバグの競合数を実現する。
論文 参考訳（メタデータ） (2025-11-06T02:38:24Z) - Beyond Imprecise Distance Metrics: LLM-Predicted Target Call Stacks for Directed Greybox Fuzzing [11.825548125173022]
Directed graybox fuzzing (DGF)は、特定のターゲット位置でバグを効率的にトリガーすることを目的としている。
既存のDGFアプローチは不正確な確率計算に悩まされている。
そこで本稿では,静的解析に基づく距離測定を高精度なコールスタック表現に置き換えることを提案する。
論文 参考訳（メタデータ） (2025-10-27T08:17:03Z) - 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) - StaAgent: An Agentic Framework for Testing Static Analyzers [7.951459111292028]
StaAgentは、静的アナライザルールを体系的に評価するために、LLM(Large Language Models)の生成能力を利用するエージェントフレームワークである。
StaAgentは一貫性のない振る舞いを明らかにすることによって、ルール実装の欠陥を明らかにするのに役立ちます。
そこで我々は,StaAgentを5つの広く使用されている静的アナライザにまたがって5つの最先端LCMを用いて評価した。
論文 参考訳（メタデータ） (2025-07-20T13:41:02Z) - LLAMA: Multi-Feedback Smart Contract Fuzzing Framework with LLM-Guided Seed Generation [56.84049855266145]
進化的突然変異戦略とハイブリッドテスト技術を統合したマルチフィードバックスマートコントラクトファジリングフレームワーク(LLAMA)を提案する。
LLAMAは、91%の命令カバレッジと90%のブランチカバレッジを達成すると同時に、148の既知の脆弱性のうち132が検出される。
これらの結果は、現実のスマートコントラクトセキュリティテストシナリオにおけるLAMAの有効性、適応性、実用性を強調している。
論文 参考訳（メタデータ） (2025-07-16T09:46:58Z) - Revisiting Backdoor Attacks on LLMs: A Stealthy and Practical Poisoning Framework via Harmless Inputs [54.90315421117162]
完全無害データを用いた新しい毒殺法を提案する。
自己回帰型LPMの因果推論に着想を得て,トリガーと肯定的応答プレフィックスの堅牢な関連性を確立することを目指す。
LLMは最初は同意するように見えるが,その後回答を拒む興味深い抵抗現象を観察する。
論文 参考訳（メタデータ） (2025-05-23T08:13:59Z)
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。