論文の概要: SNIPTEST: Fuzzing Multi-Level Code Slices for Validating Vulnerabilities

• arxiv url: http://arxiv.org/abs/2608.17396v1
• Date: Tue, 18 Aug 2026 05:47:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.226744
• Title: SNIPTEST: Fuzzing Multi-Level Code Slices for Validating Vulnerabilities
• Title（参考訳）: SNIPTEST: 脆弱性を検証するためのマルチレベルコードスライスをファズする
• Abstract要約: SNIPTESTは、静的分析警告を中心にコンパイルされたコードスライスを生成し、ファズする実行ベースの警告トリアージフレームワークである。 SNIPTESTを実世界の3つのプロジェクトに対して97の真の脆弱性と97の誤報のベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 5.543923005131487
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern software systems are increasingly complex, and static analysis tools are commonly used to identify potentially vulnerable code by issuing warnings. However, these warnings often require manual inspection to confirm whether the reported issues are real, making the process time-consuming and error-prone. Directed fuzzing has emerged as a powerful automated technique to validate the warnings. However, applying it to the entire project in response to each warning is computationally infeasible, often requiring days of execution to achieve only incremental improvements in code coverage. We present SNIPTEST, an execution-based warning triage framework that generates and fuzzes compiled code slices centered around static-analysis warnings. Rather than proving exploitability in the full program, SNIPTEST provides evidence about how a warning behaves under progressively expanded sliced execution contexts. It employs a layer-by-layer slicing strategy, incrementally expanding context around the target location to validate potential vulnerabilities with increasing precision. We evaluate SNIPTEST on a benchmark of 97 true vulnerabilities and 97 false alarms across three real-world projects. SNIPTEST produces Possible True Positive evidence for 53 of 97 confirmed vulnerabilities (54.6%) by triggering the corresponding bug oracle consistently across all three analyzed slice levels, while the remaining cases are unreachable. Particularly, in 40.2% of these cases, it exploits the vulnerability along the observed execution path, matching the top three stack frames. On the 97 confirmed false alarms, SNIPTEST produces Possible False Positive evidence for 54 cases (55.6%) by reaching the warning without triggering the bug oracle, but misclassifies 28 cases (28.8%),and the remaining cases are unreached. Finally, we demonstrate the practical relevance of SNIPTEST by identifying CVE-2025-11964.
• Abstract（参考訳）: 現代のソフトウェアシステムはますます複雑になり、静的解析ツールは警告を発することによって潜在的に脆弱なコードを特定するために一般的に使用される。 しかしながら、これらの警告は、報告された問題が本物かどうかを確認するために手動で検査する必要があることが多いため、プロセスに時間がかかり、エラーが発生しやすい。 警告を検証するための強力な自動化技術として、ダイレクトファジィが登場した。 しかしながら、各警告に反応してプロジェクト全体に適用することは、計算不可能であり、コードカバレッジの漸進的な改善しか達成できないために、実行に数日を要することが少なくない。 SNIPTESTは、静的分析警告を中心にコンパイルされたコードスライスを生成し、ファズする実行ベースの警告トリアージフレームワークである。 SNIPTESTは、プログラム全体のエクスプロイラビリティを証明するのではなく、段階的に拡張されたスライスされた実行コンテキストの下で警告がどのように振る舞うかを示すエビデンスを提供する。 レイヤ・バイ・レイヤスライシング戦略を採用し、ターゲット位置の周囲のコンテキストを段階的に拡張し、潜在的な脆弱性を精度を高める。 SNIPTESTを実世界の3つのプロジェクトに対して97の真の脆弱性と97の誤報のベンチマークで評価した。 SNIPTESTは、3つの分析されたスライスレベルすべてで対応するバグオラクルを一貫してトリガーすることで、97の脆弱性のうち53件(54.6%)の正正の証拠を生成するが、残りのケースは到達不能である。 特に40.2%のケースでは、監視された実行パスに沿って脆弱性を悪用し、上位3つのスタックフレームにマッチする。 97件の誤報で、SNIPTESTは54件(55.6%)の偽陽性の証拠を発生させ、バグ・オラクルを起こさずに警告に達したが、28件(28.8%)を誤分類し、残りのケースは未確認である。 最後に,CVE-2025-11964を同定し,SNIPTESTの実用的妥当性を示す。

関連論文リスト

• Vulnerability Localization Benchmark: Measuring Agentic Security Analysis at Repository Scale [54.83971397981572]
  言語モデルエージェントは、ソフトウェアリポジトリ全体を通してますます運用される。 サイバーセキュリティ評価は、関連するコードを見つけることよりも、脆弱性を検出、再生、または修復できるかどうかを測定する。 脆弱性のローカライゼーションについて検討する。弱点クラスと不慣れなリポジトリが与えられた場合、その弱点に関連する実装ファイルを特定する。
  論文  参考訳（メタデータ） (2026-09-14T17:44:51Z)
• CyberForge: Verified Vulnerability Injection at Repository Level for Cybersecurity Agent Training [42.087410274052836]
  CyberForgeは、実際のC/C++プロジェクトに脆弱性を注入することで、実行可能なリポジトリレベルのセキュリティトレーニングデータを合成するフレームワークである。 結果として得られたコーパスには、80のプロジェクトにわたる検証済みの脆弱性1034と、63の弱点が含まれている。 このコーパスで収集された軌道の微調整により、SECのパッチの修理は+3.3から+14.7ポイント改善される。
  論文  参考訳（メタデータ） (2026-08-06T18:03:27Z)
• ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
  本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。 ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
  論文  参考訳（メタデータ） (2026-01-15T08:23:38Z)
• FLAMES: Fine-tuning LLMs to Synthesize Invariants for Smart Contract Security [41.836337574143535]
  FLAMESは、ランタイムガードをSolidityの"require"ステートメントとして合成して、エクスプロイトに対するスマートコントラクトを強化する自動アプローチである。 FLAMESは、514,506の検証された契約から抽出された実世界の不変量について、中間層を教師する微調整によって訓練されたドメイン適応型大規模言語モデルを採用している。
  論文  参考訳（メタデータ） (2025-10-24T12:44:08Z)
• What Do They Fix? LLM-Aided Categorization of Security Patches for Critical Memory Bugs [46.325755802511026]
  我々は、LLM(Large Language Model)と細調整された小言語モデルに基づく2つのアプローチを統合するデュアルメタルパイプラインであるLMを開発した。 LMは、OOBまたはUAFの脆弱性に対処する最近のLinuxカーネルのパッチ5,140のうち111つを、手作業による検証によって90の正の正が確認された。
  論文  参考訳（メタデータ） (2025-09-26T18:06:36Z)
• CodeCureAgent: Automatic Classification and Repair of Static Analysis Warnings [15.993527047472531]
  本稿では,LSMをベースとしたエージェントを用いて静的解析警告を自動解析し,分類し,修復するCodeCureAgentを提案する。 私たちは106のJavaプロジェクトで見つかった1000のSonarQube警告のデータセット上でCodeCureAgentを評価し、291の異なるルールをカバーしています。 提案手法では,96.8%の警告に対して可視的修正を行い,最先端のベースラインアプローチを30.7%,可視的修正率29.2%で上回った。
  論文  参考訳（メタデータ） (2025-09-15T11:16:04Z)
• VulAgent: Hypothesis-Validation based Multi-Agent Vulnerability Detection [55.957275374847484]
  VulAgentは仮説検証に基づくマルチエージェント脆弱性検出フレームワークである。 セマンティクスに敏感なマルチビュー検出パイプラインを実装しており、それぞれが特定の分析の観点から一致している。 平均して、VulAgentは全体的な精度を6.6%改善し、脆弱性のある固定されたコードペアの正確な識別率を最大450%向上させ、偽陽性率を約36%削減する。
  論文  参考訳（メタデータ） (2025-09-15T02:25:38Z)
• 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)
• VulnRepairEval: An Exploit-Based Evaluation Framework for Assessing Large Language Model Vulnerability Repair Capabilities [41.85494398578654]
  VulnRepairEvalは、関数型Proof-of-Conceptエクスプロイトに固定された評価フレームワークである。 我々のフレームワークは、再現可能な微分評価を可能にする包括的でコンテナ化された評価パイプラインを提供する。
  論文  参考訳（メタデータ） (2025-09-03T14:06:10Z)
• Defending against Indirect Prompt Injection by Instruction Detection [109.30156975159561]
  InstructDetectorは、LLMの動作状態を利用して潜在的なIPI攻撃を特定する、新しい検出ベースのアプローチである。 InstructDetectorは、ドメイン内設定で99.60%、ドメイン外設定で96.90%の検出精度を達成し、攻撃成功率をBIPIAベンチマークで0.03%に下げる。
  論文  参考訳（メタデータ） (2025-05-08T13:04:45Z)
• Fine-Grained 1-Day Vulnerability Detection in Binaries via Patch Code Localization [12.73365645156957]
  バイナリの1日間の脆弱性は、ソフトウェアセキュリティに対する大きな脅威になっている。 パッチの有無テストは 脆弱性を検出する効果的な方法の1つです パッチコードとそのコンテキストから安定な値を利用するPLocatorという新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-29T04:35:37Z)
• Can LLM Prompting Serve as a Proxy for Static Analysis in Vulnerability Detection [9.269926508651091]
  大規模言語モデル(LLM)は、脆弱性検出などの安全クリティカルなコードタスクに制限があることを示している。 本稿では,脆弱性の自然言語命令を,対照的な連鎖推論と統合する戦略を提案する。 本研究は,静的アナライザの厳格な手作りルールに代えて,セキュリティ対応のプロンプト技術が有効であることを示す。
  論文  参考訳（メタデータ） (2024-12-16T18:08:14Z)
• An Empirical Study of Static Analysis Tools for Secure Code Review [14.134803943492345]
  静的アプリケーションセキュリティテストツール(SAST)は、セキュリティ問題の識別を強化する可能性がある。 ほとんどのSAST研究は、対象プログラムの合成または完全に脆弱なバージョンに依存している。 我々は、悪用可能な脆弱性に寄与する実際のコード変更のデータセットを使用して、C/C++ SASTを調査する。
  論文  参考訳（メタデータ） (2024-07-17T01:15:39Z)
• SBEST: Spectrum-Based Fault Localization Without Fault-Triggering Tests [17.90798133817018]
  本研究は, 事故報告から得られたスタックトレースを, スペクトルベース断層定位における故障トリガー試験のプロキシとして用いる可能性について検討した。 本稿では,スタックトレース情報とテストカバレッジデータを統合する新たな手法であるSBESTを提案する。
  論文  参考訳（メタデータ） (2024-05-01T15:15:52Z)
• FineWAVE: Fine-Grained Warning Verification of Bugs for Automated Static Analysis Tools [18.927121513404924]
  ASAT(Automated Static Analysis Tools)は、バグ検出を支援するために、時間とともに進化してきた。 これまでの研究は、報告された警告を検証するための学習ベースの方法を探究してきた。 我々は,バグに敏感な警告をきめ細かい粒度で検証する学習ベースアプローチであるFineWAVEを提案する。
  論文  参考訳（メタデータ） (2024-03-24T06:21:35Z)

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。