論文の概要: ZIMPAF & RedPhuzz: High-fidelity Web Application Fuzzing via Branch, Language Construct, and Function Call Monitoring
- arxiv url: http://arxiv.org/abs/2607.25012v1
- Date: Mon, 27 Jul 2026 19:09:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.603992
- Title: ZIMPAF & RedPhuzz: High-fidelity Web Application Fuzzing via Branch, Language Construct, and Function Call Monitoring
- Title（参考訳）: ZIMPAF & RedPhuzz: ブランチ、言語構成、ファンクションコールモニタリングによる高忠実なWebアプリケーションファズリング
- Abstract要約: 本稿では,実行時インタプリタであるZIMPAFとファザであるRedPhuzzを紹介する。
ZIMPAFは、新しいマルチグラニュラーランタイムインタプリタインスツルメンテーションを実装している。
RedPhuzzはすべての脆弱性を検知するが、Phuzzは16を検出できない。
- 参考スコア（独自算出の注目度）: 1.3535770763481905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present ZIMPAF, runtime interpreter instrumentation, and RedPhuzz, a fuzzer, to address key limitations of state-of-the-art fuzzers: inefficient instrumentation, the lack of knowledge of the execution environment, and limited web domain knowledge. ZIMPAF implements a novel multi-granular runtime interpreter instrumentation that provides branch coverage, robust error and exception logging, function and language construct monitoring, and identification of user-supplied inputs used in branch instructions. The instrumentation is capable of identifying potentially vulnerable functions whose parameters are tainted, marking them as high-valued fuzzing targets, without performing taint analysis. It also employs a novel backward constant probe to infer potentially vulnerable functions whose parameters originate from constants, indicating their invulnerability and allowing them to be skipped. This information is utilized by RedPhuzz to perform highly-targeted function-and input-level fuzzing that goes beyond simple error-based fuzzing, but also detects silent vulnerabilities via multi-stage vulnerability detection. We also introduce three novel mutation strategies to achieve highly targeted and effective fuzzing: sanitization-aware, input-in-branch-aware, and data type-aware mutation. We evaluate RedPhuzz's performance with its predecessor (Phuzz) with 86 test cases across six benchmark web applications. RedPhuzz detects all vulnerabilities, while Phuzz fails to detect 16. RedPhuzz is 73% faster than Phuzz despite performing more tasks. ZIMPAF is faster than Phuzz's instrumentation (PCOV and UOPZ), while writing significantly more data. ZIMPAF achieves 2.1 to 41.22 times higher throughput than PCOV and UOPZ across five sampled benchmarks, and 0.87 times for one.
- Abstract（参考訳）: 我々は、実行時インタプリタであるZIMPAFと、最先端ファジィの鍵となる制限に対処するためのファジィであるRedPhuzzを提示する。
ZIMPAFは、分岐カバレッジ、堅牢なエラーと例外ロギング、関数と言語構成監視、分岐命令で使用されるユーザからの入力の識別を提供する、新しい多言語ランタイムインタプリタを実装している。
このインスツルメンテーションは、パラメータが汚染されている潜在的に脆弱な関数を識別し、それらを高評価のファジィターゲットとしてマークする。
また、新しい後方定数プローブを用いて、パラメータが定数から派生した潜在的に脆弱な関数を推論し、それらの不安定性を示し、それらをスキップできるようにする。
この情報はRedPhuzzによって、単純なエラーベースのファジングを超える高ターゲットの関数と入力レベルのファジングを実行するために利用されるが、マルチステージ脆弱性検出によってサイレント脆弱性を検出する。
また,高標的かつ効果的なファジィングを実現するための3つの新しい突然変異戦略,すなわち,衛生意識,インプット・イン・ブランチ・アウェア,データ型認識突然変異を導入する。
6つのベンチマークWebアプリケーションで86のテストケースで、RedPhuzzのパフォーマンスを前者(Phuzz)と比較した。
RedPhuzzはすべての脆弱性を検知するが、Phuzzは16を検出できない。
RedPhuzzはタスク数が多いにもかかわらず、Phuzzより73%高速だ。
ZIMPAF は Phuzz のインスツルメンテーション (PCOV と UOPZ) よりも高速で、さらに多くのデータを書き込む。
ZIMPAFは5つのベンチマークで PCOV や UOPZ よりも2.1～41.22 倍のスループットを実現している。
関連論文リスト
- 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) - Does Programming Language Matter? An Empirical Study of Fuzzing Bug Detection [0.0761187029699472]
本研究では, ファジィバグの特徴と検出効率が言語間でどのように異なるかを調べるために, 大規模クロスランゲージ解析を行った。
初等言語に分類される559のOSS-Fuzzプロジェクトから61,444のファジィバグと99,248のビルドを分析した。
調査の結果,(i)C++とRustはファジィングバグ検出頻度が高く,(ii)RustとPythonは脆弱性比率が低いが,より重大な脆弱性を露呈する傾向があり,(iii)クラッシュタイプは言語によって異なり,再現不可能なバグがGoでは頻繁に発生するが,Rustではまれである。
論文 参考訳（メタデータ） (2026-02-05T05:08:51Z) - Enhancing Fuzz Testing Efficiency through Automated Fuzz Target Generation [0.0]
図書館ソースコードの静的解析によりファズターゲット生成を改善する手法を提案する。
本稿は,C/C++ライブラリのファズターゲット生成へのこのアプローチの適用を通じて,本研究の成果を実証する。
論文 参考訳（メタデータ） (2026-01-17T09:08:11Z) - Interleaved Learning and Exploration: A Self-Adaptive Fuzz Testing Framework for MLIR [13.369099005798104]
本稿では,MLIRのための自己適応型ファジィフレームワークであるFLEXを紹介する。
FLEXは、プログラム生成のためのニューラルネットワーク、多様性を促進するサンプリング戦略、フィードバック駆動の拡張ループを摂動させた。
上流MLIRコンパイラ上でのFLEXを4つの最先端ファジィに対して評価する。
論文 参考訳（メタデータ） (2025-10-09T05:47:20Z) - Intelligent Graybox Fuzzing via ATPG-Guided Seed Generation and Submodule Analysis [5.029193774082768]
ハードウェアファジィングは、現代のハードウェア設計におけるセキュリティ欠陥を見つけるための重要なテクニックの1つである。
Coverage-Guided Fuzzing (CGF) 法はデザインをより効果的に探索するのに役立つが、ハードウェアの特定の部分に焦点を合わせるのに苦労する。
DirectFuzzのような既存のDGF(Directed Gray-box Fuzzing)技術は、ターゲットテストを生成することでこれを解決しようとしている。
本稿では, DGF アプローチに倣い, ファジングと自動テストパターン生成(ATPG)を組み合わせてより効率的なファジングを実現する新しいフレームワーク PROFUZZ を提案する。
論文 参考訳（メタデータ） (2025-09-25T06:46:19Z) - Weakly Supervised Vulnerability Localization via Multiple Instance Learning [46.980136742826836]
WeAkly によるマルチプルインスタンス学習による脆弱性ローカライゼーションのための WAVES という新しい手法を提案する。
WAVESは、ある関数が脆弱かどうか(すなわち脆弱性検出)を判定し、脆弱なステートメントをピンポイントする機能を持っている。
提案手法は,文レベルの脆弱性ローカライゼーションにおいて,脆弱性検出と最先端のパフォーマンスにおいて同等のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-09-14T15:11:39Z) - 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) - FuzzCoder: Byte-level Fuzzing Test via Large Language Model [46.18191648883695]
我々は,攻撃を成功させることで,入力ファイルのパターンを学習するために,微調整された大言語モデル(FuzzCoder)を採用することを提案する。
FuzzCoderは、プログラムの異常な動作を引き起こすために、入力ファイル内の突然変異位置と戦略位置を予測することができる。
論文 参考訳（メタデータ） (2024-09-03T14:40:31Z) - VELVET: a noVel Ensemble Learning approach to automatically locate
VulnErable sTatements [62.93814803258067]
本稿では,ソースコード中の脆弱な文を見つけるための新しいアンサンブル学習手法であるVELVETを提案する。
我々のモデルは、グラフベースとシーケンスベースニューラルネットワークを組み合わせて、プログラムグラフの局所的およびグローバル的コンテキストを捕捉する。
VELVETは、合成データと実世界のデータに対して、それぞれ99.6%と43.6%の精度を達成している。
論文 参考訳（メタデータ） (2021-12-20T22:45:27Z) - DeFuzz: Deep Learning Guided Directed Fuzzing [41.61500799890691]
本稿では,DeFuzzというソフトウェア脆弱性検出のための,ディープラーニング(DL)誘導指向ファズリングを提案する。
DeFuzzには2つの主要なスキームが含まれている。 1) 潜在的に脆弱な機能と位置(脆弱性のあるアドレス)を特定するために、トレーニング済みのDL予測モデルを使用する。
正確には、Bidirectional-LSTM (BiLSTM) を用いて注意語を識別し、その脆弱性はこれらの注意語に関連付けられている。
論文 参考訳（メタデータ） (2020-10-23T03:44:03Z)
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。