論文の概要: Generics-Aware Fuzz Target Generation for Rust Libraries via Structured API Analysis
- arxiv url: http://arxiv.org/abs/2608.08637v1
- Date: Sun, 09 Aug 2026 11:05:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.902243
- Title: Generics-Aware Fuzz Target Generation for Rust Libraries via Structured API Analysis
- Title（参考訳）: 構造化API分析によるRustライブラリのジェネリクス対応ファジターゲット生成
- Abstract要約: 我々は,Rustドキュメントから構造化API情報を抽出するGRAFTを提案する。
ジェネリクス対応の型マッチングを通じてAPI依存性グラフを構築し、トポロジ誘導合成とコンパイラエラーフィードバックを使用して、コンパイル可能なファズターゲットを生成する。
crates.ioの13のクレートにおいて、GRAFTは、96.19%のコンパイル成功で80.75%のマクロ平均APIカバレッジを達成し、RULFとRPGを4.76倍と2.43倍で上回り、安全でないAPIを持つクレート上でのDeepSURFの平均APIカバレッジは1.41倍に達した。
- 参考スコア（独自算出の注目度）: 9.962247953375966
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fuzzing Rust library APIs requires constructing well-typed, compilable call sequences that satisfy ownership rules, generic parameters, and trait bounds; existing tools ignore these constraints or use shallow heuristics, yielding low coverage. We present GRAFT, which extracts structured API information from Rust documentation, builds an API dependency graph via recursive generics-aware type matching, and uses topology-guided traversal plus LLM synthesis with compiler-error feedback to produce compilable fuzz targets. On 13 crates from crates.io, GRAFT achieves 80.75% macro-average API coverage at 96.19% compilation success, outperforming RULF and RPG by 4.76x and 2.43x, and reaching 1.41x the average API coverage of deepSURF on crates with unsafe-reaching APIs.
- Abstract（参考訳）: RustライブラリAPIをファッズするには、オーナシップルール、ジェネリックパラメータ、トレイトバウンダリを満足する、十分に型付けされたコンパイル可能なコールシーケンスを構築する必要がある。
本稿では,Rustドキュメントから構造化API情報を抽出し,再帰的なジェネリクス認識型マッチングによるAPI依存性グラフを構築し,トポロジ誘導トラバーサルとLLM合成とコンパイラエラーフィードバックを用いて,コンパイル可能なファズターゲットを生成する。
crates.ioの13のクレートにおいて、GRAFTは、96.19%のコンパイル成功で80.75%のマクロ平均APIカバレッジを達成し、RULFとRPGを4.76倍と2.43倍で上回り、安全でないAPIを持つクレート上でのDeepSURFの平均APIカバレッジは1.41倍に達した。
関連論文リスト
- STILL: Recovering Lowered STL Semantics for LLM-assisted C++ Decompilation [51.12395225250876]
制御フローグラフから関数レベルのSTLコンテナセマンティクスを予測する構造的セマンティクスインタフェースSTILLを提案する。
StlBenchでは、STILLがコンテナレベルの共通STLセマンティクスを予測する。
取り除かれたHumanEvalの非コンパイルでは、DeepSeek-Chatの改良は28.4%に到達した。
論文 参考訳（メタデータ） (2026-08-26T21:20:54Z) - LAPIS: Lightweight API Specification for Intelligent Systems [0.0]
大規模言語モデル(LLM)は、コード生成、自律エージェントインタラクション、APIアシスト推論のいずれにおいても、API仕様のコンシューマとしての役割を担っている。
LAPISは、APIトークンの使用に必要なセマンティック情報を保存するLLM消費に最適化されたドメイン固有フォーマットである。
論文 参考訳（メタデータ） (2026-02-20T15:22:13Z) - Evaluating the Effectiveness of Coverage-Guided Fuzzing for Testing Deep Learning Library APIs [3.491101173753068]
我々は、テンプレート、ヘルパー関数、APIドキュメントを組み合わせることで、APIレベルのハーネスを自動的に合成するFlashFuzzを提案する。
最先端のファジィ法と比較すると、FlashFuzzは101.13から212.88パーセントのカバレッジと1.0xから5.4倍の妥当性を実現している。
本研究は,CGFがディープラーニングライブラリに効果的に適用可能であることを確認し,今後のテストアプローチの強力なベースラインを提供する。
論文 参考訳（メタデータ） (2025-09-18T05:10:42Z) - Forcrat: Automatic I/O API Translation from C to Rust via Origin and Capability Analysis [6.19637506061616]
ライブラリ機能の重要なサブセットであるI/O APIを置き換えることに重点を置いています。
本稿では,2つの静的解析手法,起点解析と機能解析,エラーソース解析を提案し,その結果を用いてI/O APIを置き換える。
提案手法は,(1)変換後にテストスイートをパスした32プログラム,(2)14秒で422kLOCを効率よく解析,変換し,(3)広く適用でき,I/O APIコールの82%を置き換える。
論文 参考訳（メタデータ） (2025-06-02T08:34:06Z) - CRUST-Bench: A Comprehensive Benchmark for C-to-safe-Rust Transpilation [51.18863297461463]
CRUST-Benchは100のCリポジトリのデータセットで、それぞれが安全なRustとテストケースで手書きのインターフェースとペアリングされている。
我々は、このタスクで最先端の大規模言語モデル(LLM)を評価し、安全で慣用的なRust生成が依然として難しい問題であることを確認した。
最高のパフォーマンスモデルであるOpenAI o1は、ワンショット設定で15タスクしか解決できない。
論文 参考訳（メタデータ） (2025-04-21T17:33:33Z) - PinChecker: Identifying Unsound Safe Abstractions of Rust Pinning APIs [14.251447722365661]
本稿では,APIのピン付けに関する重要な動作をモデル化する,新しい中間表現であるRPILを紹介する。
RPILにより誘導される合成駆動型違反検出ツールであるPinCheckerを実装した。
crates.ioの13の人気のあるRustライブラリに関する実験では、2つの確認済みバグが見つかった。
論文 参考訳（メタデータ） (2025-04-20T05:45:58Z) - Your Fix Is My Exploit: Enabling Comprehensive DL Library API Fuzzing with Large Language Models [49.214291813478695]
AIアプリケーションで広く使用されているディープラーニング(DL)ライブラリは、オーバーフローやバッファフリーエラーなどの脆弱性を含むことが多い。
従来のファジィングはDLライブラリの複雑さとAPIの多様性に悩まされている。
DLライブラリのためのLLM駆動ファジィ手法であるDFUZZを提案する。
論文 参考訳（メタデータ） (2025-01-08T07:07:22Z) - ExploraCoder: Advancing code generation for multiple unseen APIs via planning and chained exploration [70.26807758443675]
ExploraCoderはトレーニング不要のフレームワークで、大規模な言語モデルにコードソリューションで見えないAPIを呼び出す権限を与える。
実験の結果、ExploreaCoderは、事前のAPI知識に欠けるモデルのパフォーマンスを大幅に改善することが示された。
論文 参考訳（メタデータ） (2024-12-06T19:00:15Z) - APIGen: Automated Pipeline for Generating Verifiable and Diverse Function-Calling Datasets [99.8988504388011]
APIGenは、関数呼び出しアプリケーションのための検証可能な高品質データセットを合成するために設計された、自動データ生成パイプラインである。
APIGenを活用して、21のカテゴリにわたる3,673の実行可能なAPIを収集し、多様な関数呼び出しデータセットを生成します。
機能呼び出しエージェントドメインの分野を推し進めるため、6万の高品質なエントリを含むデータセットをリリースする。
論文 参考訳（メタデータ） (2024-06-26T17:49:11Z) - Fuzz Driver Synthesis for Rust Generic APIs [9.34200641681839]
本稿では,汎用APIを用いたRustライブラリのファズドライバ自動合成問題について検討する。
このような依存関係と型制約を解決することで、候補となるモノモルフィックAPIのコレクションを生成することができる。
29の人気のあるオープンソースライブラリによる実験結果から,我々のアプローチは,無効なファズドライバを低い速度で,有望な汎用APIカバレッジを実現することができることが示された。
論文 参考訳（メタデータ） (2023-12-17T10:24:34Z) - Private-Library-Oriented Code Generation with Large Language Models [52.73999698194344]
本稿では,大規模言語モデル(LLM)をプライベートライブラリのコード生成に活用することに焦点を当てる。
プログラマがプライベートコードを書く過程をエミュレートする新しいフレームワークを提案する。
TorchDataEval、TorchDataComplexEval、MonkeyEval、BeatNumEvalの4つのプライベートライブラリベンチマークを作成しました。
論文 参考訳（メタデータ） (2023-07-28T07:43:13Z) - torchgfn: A PyTorch GFlowNet library [44.94532429787822]
我々は、このニーズに対処することを目的としたPyTorchライブラリであるTorchgfnを紹介します。
その中核的な貢献は、環境、ニューラルネットワークモジュールを扱い、目標を交換可能なコンポーネントとしてトレーニングするモジュールで分離されたアーキテクチャである。
これによってユーザは、高速なプロトタイピングと新しい研究を容易にする、シンプルだが強力なAPIをユーザに提供する。
論文 参考訳（メタデータ） (2023-05-24T00:20:59Z)
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。