論文の概要: CHARGE: Leveraging CWE Hierarchies for Hardware Security SystemVerilog Assertion Generation

• arxiv url: http://arxiv.org/abs/2607.27776v1
• Date: Thu, 30 Jul 2026 07:08:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.432051
• Title: CHARGE: Leveraging CWE Hierarchies for Hardware Security SystemVerilog Assertion Generation
• Title（参考訳）: CHARGE: ハードウェアセキュリティシステムVerilogアサーション生成のためのCWE階層の活用
• Abstract要約: CHARGEは、検証されていないRTLモジュールのセキュリティプロパティを生成する自動化フレームワークである。 期待されるセキュリティ動作を推測し、特定された資産とCWEセマンティクスからプロパティを生成する。
• 参考スコア（独自算出の注目度）: 4.301154572741158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents CHARGE, an automated framework for generating security properties for unverified RTL modules using CWEs and large language models (LLMs). The hallmark is a reasoning process that leverages the hierarchical nature of CWE entries to improve accuracy when identifying security-critical assets in unverified RTL modules. As a result, the approach can infer expected security behaviors and generate properties from identified assets and CWE semantics, avoiding the need for trusted design specifications and reducing manual engineering effort. We evaluate the framework on the Hack@DAC18, 19, and 21 open source SoC designs using OpenAI's GPT-4.1. CHARGE detects 27 of 42 known bugs in these designs. For Hack@DAC21 OpenPiton SoC, 89% of the generated SVAs run in Cadence JasperGold FPV, and 92.2% are non-vacuous. We compare to an open-source, manually written set of properties for these designs and find that CHARGE correctly writes properties for three bugs in which the manually written properties were incorrect. In addition, CHARGE-generated properties identify a new bug in the Hack@DAC21 OpenPiton SoC that was not previously identified.
• Abstract（参考訳）: 本稿では,CWEと大規模言語モデル(LLM)を用いた未検証RTLモジュールのセキュリティ特性の自動生成フレームワークCHARGEを提案する。 ホールマークは、CWEエントリの階層的な性質を活用して、未検証のRTLモジュールにおけるセキュリティクリティカルな資産を特定する際の精度を向上させるための推論プロセスである。 結果として、アプローチは期待されるセキュリティ動作を推測し、特定資産やCWEセマンティクスからプロパティを生成することができ、信頼性の高い設計仕様の必要性を回避し、手作業によるエンジニアリングの労力を削減できる。 このフレームワークを OpenAI の GPT-4.1 を用いて,Hack@DAC18,19,21 のオープンソース SoC 設計で評価した。 CHARGEはこれらの設計で既知の42のバグのうち27を検知する。 Hack@DAC21 OpenPiton SoCでは、生成したSVAの89%がCadence JasperGold FPVで動作し、92.2%は非空きである。 これらの設計のためのオープンソースで手書きのプロパティセットと比較すると、CHARGEが手書きのプロパティが間違っていた3つのバグのプロパティを正しく記述していることが分かります。 さらに、CHARGEの生成したプロパティは、これまで特定されていなかったHack@DAC21 OpenPiton SoCの新しいバグを識別する。

関連論文リスト

• From Silicon to Boot Code: Extending Automated Program Repair to Firmware-Layer Security Workarounds [0.8450904497835263]
  現在の技術は、チップが生産される前にRTLまたはHLS設計のバグをローカライズし、修正する。 本稿では,このファームウェア層へのRTL修復のために開発された辞書誘導・オーバーフロー合成バリデート手法の適用可能性について検討する。 4つとも100%のリコールを達成しており、精度はCファミリーの2.1-15.5%から、アセンブリとHOBファミリーの100%まで変化している。
  論文  参考訳（メタデータ） (2026-09-01T18:39:30Z)
• Agent-Driven Verification of Memory Safety for liblzma Decoder Components with VST [32.505127447635864]
  Liblzmaのデコーダコンポーネントのメモリ安全性の検証について報告する。 検証の結果、生のLZMA1ゼロインプット処理における未定義の動作が明らかになった。 検証済みコードを合成する類似の作業とは異なり、既存のプロダクションスケールCを検証する。
  論文  参考訳（メタデータ） (2026-08-30T10:50:56Z)
• CWEEP: A Lexical Static Analysis Framework for CWE Early Prevention [2.8492827625814363]
  本稿では,RTLのセキュリティ脆弱性を検出する静的解析フレームワークであるCWEEPを提案する。 CWEEPは詳細なセキュリティ仕様を必要としないので、プロパティがまだ開発中である間、RTL開発の初期段階で使用できる。
  論文  参考訳（メタデータ） (2026-07-31T16:35:13Z)
• Symbolic Execution Meets Multi-LLM Orchestration: Detecting Memory Vulnerabilities in Incomplete Rust CVE Snippets [0.21485350418225244]
  本稿では,シンボル実行(KLEE)と4エージェントのマルチLLMアーキテクチャを組み合わせて,Rustの安全でないコードのメモリ脆弱性を検出するシステムを提案する。 CVEデータベースエントリは、構造体定義、インポート、Cargoマニフェストを欠いた分離されたコードスニペットのみを提供する。
  論文  参考訳（メタデータ） (2026-04-28T01:27:09Z)
• Your Agent, Their Asset: A Real-World Safety Analysis of OpenClaw [87.97230960702274]
  本稿では,OpenClawの安全性評価について紹介する。 エージェントの永続状態を3次元に統一するCIK分類法を導入する。 評価では、ライブOpenClawインスタンス上の12のアタックシナリオをカバーしています。
  論文  参考訳（メタデータ） (2026-04-06T15:27:05Z)
• SecPI: Secure Code Generation with Reasoning Models via Security Reasoning Internalization [50.71047638695205]
  RLM(Reasoning Language Model)は、プログラミングにおいてますます使われている言語モデルである。 しかし、最先端のRLMでさえ、生成されたコードに重大なセキュリティ脆弱性を頻繁に導入する。 我々は、構造化されたセキュリティ推論を内部化するためのRTMを教える微調整パイプラインであるSecPIを提案する。
  論文  参考訳（メタデータ） (2026-04-04T04:29:11Z)
• Invisible Safety Threat: Malicious Finetuning for LLM via Steganography [74.00809267925642]
  妥協された大きな言語モデルは、有害なコンテンツを隠蔽しながら適切な安全アライメントのファサードを維持することができる。 OpenAIファインタニングAPIの保護にもかかわらず、GPT-4.1のこの目に見えない安全脅威を実証する。 本稿では,コンテンツ安全分類のためのLlama-Guard-3-8Bを用いて,AdvBenchデータセット上での手法を定量的に評価する。
  論文  参考訳（メタデータ） (2026-03-09T08:48:27Z)
• Security Properties for Open-Source Hardware Designs [1.3192560874022086]
  4つの共通設計に対してSystemVerilog Assertionsを提供する。 プロパティは設計によって整理され、セキュリティ欠陥と関連するCWEの詳細がタグ付けされている。
  論文  参考訳（メタデータ） (2024-12-11T20:42:28Z)
• Automated Proof Generation for Rust Code via Self-Evolution [69.25795662658356]
  私たちは、Rustコードの自動証明生成を可能にする、人書きスニペットの欠如を克服するフレームワークであるSAFEを紹介します。 SAFEは、細調整されたモデルの自己老化能力を訓練するために、多数の合成不正確な証明を再利用する。 我々は、人間の専門家によるベンチマークで52.52%の精度で達成し、GPT-4oのパフォーマンス14.39%を大きく上回った。
  論文  参考訳（メタデータ） (2024-10-21T08:15:45Z)
• PropertyGPT: LLM-driven Formal Verification of Smart Contracts through Retrieval-Augmented Property Generation [11.350635014083812]
  PropertyGPTは包括的で高品質なプロパティを生成し、基礎的な真実と比べて80%のリコールを達成することができる。 PropertyGPTはテスト対象37件中26件のCVE/アタックインシデントを検出し、12件のゼロデイ脆弱性を発見した。
  論文  参考訳（メタデータ） (2024-05-04T06:28:27Z)
• How secure is AI-generated Code: A Large-Scale Comparison of Large Language Models [3.4887856546295333]
  本研究では,C言語記述時の脆弱性発生傾向について,最先端のLarge Language Model (LLM)を比較した。 生成されたプログラムの少なくとも62.07%は脆弱性がある。
  論文  参考訳（メタデータ） (2024-04-29T01:24:14Z)
• FoC: Figure out the Cryptographic Functions in Stripped Binaries with LLMs [51.898805184427545]
  削除されたバイナリの暗号関数を抽出するFoCと呼ばれる新しいフレームワークを提案する。 まず、自然言語における暗号関数のセマンティクスを要約するために、バイナリ大言語モデル(FoC-BinLLM)を構築した。 次に、FoC-BinLLM上にバイナリコード類似モデル(FoC-Sim)を構築し、変更に敏感な表現を作成し、データベース内の未知の暗号関数の類似実装を検索する。
  論文  参考訳（メタデータ） (2024-03-27T09:45:33Z)
• Online Safety Property Collection and Refinement for Safe Deep Reinforcement Learning in Mapless Navigation [79.89605349842569]
  オンラインプロパティのコレクション・リファインメント(CROP)フレームワークをトレーニング時にプロパティを設計するために導入する。 CROPは、安全でない相互作用を識別し、安全特性を形成するためにコストシグナルを使用する。 本手法をいくつかのロボットマップレスナビゲーションタスクで評価し,CROPで計算した違反量によって,従来のSafe DRL手法よりも高いリターンと低いリターンが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-13T21:19:36Z)

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。