論文の概要: Harnessing LLMs for Document-Guided Fuzzing of Python Libraries

• arxiv url: http://arxiv.org/abs/2608.11744v1
• Date: Wed, 12 Aug 2026 07:34:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.490411
• Title: Harnessing LLMs for Document-Guided Fuzzing of Python Libraries
• Title（参考訳）: Python ライブラリのドキュメントガイドファズリングのためのハーネス化 LLM
• Abstract要約: Pythonライブラリは、ディープラーニング、科学計算、データ分析、コンピュータビジョンの基盤となっている。 本稿では文書誘導ファジィ技術であるVistaFuzzを紹介する。 12のPythonライブラリにまたがる7,718のAPI上でVistaFuzzを評価する。
• 参考スコア（独自算出の注目度）: 13.459103316463006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Python libraries underpin deep learning, scientific computing, data analysis, and computer vision, making their reliability critical to downstream applications. Testing their APIs requires inputs that satisfy both per-parameter constraints and dependencies among parameters. Existing approaches either leave such constraints implicit in generated programs or rely on library-specific parsing rules. This paper introduces VistaFuzz, a document-guided fuzzing technique that uses a locally served open-sourced LLM to extract parameter specifications from API documents and generate inputs that satisfy both parameter constraints and inter-parameter dependencies. We evaluate VistaFuzz on 7,718 APIs across twelve Python libraries. Inter-parameter relationships occur in 40.1\% of tested APIs, and disabling their resolution reduces the valid generation rate on those APIs from above 95\% to 31.6\%--52.8\%. VistaFuzz reports 74 issues, of which 43 have been confirmed by developers and 29 have been fixed.
• Abstract（参考訳）: Pythonライブラリは、ディープラーニング、科学計算、データ分析、コンピュータビジョンを基盤としており、ダウンストリームアプリケーションに信頼性を重要視している。 APIをテストするには、パラメータごとの制約とパラメータ間の依存関係の両方を満たすインプットが必要です。 既存のアプローチは、生成されたプログラムにそのような制約を暗黙的に残すか、ライブラリ固有の解析ルールに依存している。 本稿では,API文書からパラメータ仕様を抽出し,パラメータ制約とパラメータ間の依存関係の両方を満たす入力を生成する。 12のPythonライブラリにまたがる7,718のAPI上でVistaFuzzを評価する。 パラメータ間の関係はテスト対象のAPIの40.1\%で発生し、その分解能の無効化により、これらのAPIの有効生成率が95\%以上から31.6\%--52.8\%に低下する。 VistaFuzzは74件の問題を報告し、そのうち43件が開発者によって確認され、29件が修正された。

関連論文リスト

• Knowledge Boundary Probing and Demand-Guided Intervention for LLM-Based Power System Code Generation [8.136015158683694]
  電力系統のコード生成におけるファーストパス障害は, 幻覚関数名, 誤用パラメータ, 不正処理結果表など, 構造化されたAPI知識境界によって支配されていることを示す。 我々は,自然言語演算子クエリとパンダパワーコードと数値基底真理を組み合わせた実行検証ベンチマークジェネレータPowerCodeBenchを紹介する。 また、モデルごとのAPI知識プロファイルを測定するL0-L3ドキュメンテーション駆動のプロファイリング手順も導入する。
  論文  参考訳（メタデータ） (2026-05-29T16:06:34Z)
• Correct Code, Vulnerable Dependencies: A Large Scale Measurement Study of LLM-Specified Library Versions [52.50730821321986]
  大規模言語モデル(LLM)におけるバージョンレベルのリスクの大規模評価を初めて行った。 我々は1000のStack OverflowプログラミングタスクのベンチマークであるPinTrace上で10のLLMを評価した。 LLM バージョン選択は LLM ベース開発における第1級, 以前は見落とされたリスクサーフェスとして確認された。
  論文  参考訳（メタデータ） (2026-05-07T13:52:59Z)
• Babbling Suppression: Making LLMs Greener One Token at a Time [46.879983975894135]
  大規模言語モデル(LLM)は、現代のソフトウェア開発でますます使われている。 LLMは「バブリング(babbling)」と呼ばれ、さらなる認知、経済、エネルギーコストを発生させる。 本研究は, 解の精度を損なうことなく, 不要な出力を削減するための実用的, モデルに依存しない手法を提案する。
  論文  参考訳（メタデータ） (2026-04-08T07:21:02Z)
• Reinforcement Learning for Long-Horizon Interactive LLM Agents [56.9860859585028]
  インタラクティブデジタルエージェント(IDA)は、ステートフルなデジタル環境のAPIを利用して、ユーザの要求に応じてタスクを実行する。 対象環境で直接IDAを訓練する強化学習(RL)手法を提案する。 我々は、近似ポリシー最適化のデータおよびメモリ効率の亜種である LOOP を導出する。
  論文  参考訳（メタデータ） (2025-02-03T18:35:42Z)
• 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)
• LLM Based Input Space Partitioning Testing for Library APIs [13.070272424794744]
  ライブラリAPIテストのための LLM ベースの入力空間分割テスト手法 LISP を提案する。 LISPを10の人気のあるオープンソースJavaライブラリから抽出した2,205以上のライブラリAPIメソッドで評価する。 平均して、LISPは67.82%のブランチカバレッジを獲得し、EvoSuiteを1.21倍上回っている。
  論文  参考訳（メタデータ） (2024-12-15T17:50:50Z)
• 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)
• Detecting Multi-Parameter Constraint Inconsistencies in Python Data Science Libraries [21.662640566736098]
  コードとドキュメンテーションの不整合を検出するためにMPDetectorを提案する。 MPDetectorは、シンボリック実行を通じて実行パスを探索することで、これらの制約をコードレベルで識別する。 本研究では,LLM出力の予測不可能性を再現するファジィ制約論理を提案する。
  論文  参考訳（メタデータ） (2024-11-18T09:30:14Z)
• A Multi-Agent Approach for REST API Testing with Semantic Graphs and LLM-Driven Inputs [46.65963514391019]
  私たちは、REST APIテストに依存性組み込みのマルチエージェントアプローチを採用する最初のブラックボックスツールであるAutoRestTestを紹介します。 このアプローチでは、REST APIテストを分離可能な問題として扱い、4人のエージェントがAPI探索を最適化するために協力します。 12の現実世界のRESTサービス上でのAutoRestTestの評価は、主要な4つのブラックボックスREST APIテストツールよりも優れています。
  論文  参考訳（メタデータ） (2024-11-11T16:20:27Z)
• Enhancing Differential Testing With LLMs For Testing Deep Learning Libraries [8.779035160734523]
  本稿では,DLライブラリのためのLLM強化差分試験手法を提案する。 与えられたAPIの代替実装を見つけ、多様なテストインプットを生成するという課題に対処する。 最先端技術で見られるAPIの1.84倍の数のAPIを合成する。
  論文  参考訳（メタデータ） (2024-06-12T07:06:38Z)
• pyvene: A Library for Understanding and Improving PyTorch Models via Interventions [79.72930339711478]
  $textbfpyvene$は、さまざまなPyTorchモジュールに対するカスタマイズ可能な介入をサポートするオープンソースライブラリである。 私たちは、$textbfpyvene$が、ニューラルモデルへの介入を実行し、他のモデルとインターバルされたモデルを共有するための統一されたフレームワークを提供する方法を示します。
  論文  参考訳（メタデータ） (2024-03-12T16:46:54Z)
• DocTer: Documentation Guided Fuzzing for Testing Deep Learning API Functions [16.62942039883249]
  DocTerを使ってAPIドキュメントを分析し、ディープラーニング(DL)ライブラリのAPI関数の入力制約を抽出します。 DocTerは、API記述の依存性解析ツリーの形式で構文パターンからAPIパラメータ制約を抽出するルールを自動的に構築する、新しいアルゴリズムを備えている。 3つのDLライブラリに対する評価の結果,入力制約抽出におけるDocTerの精度は85.4%であった。
  論文  参考訳（メタデータ） (2021-09-02T14:57:36Z)

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。