論文の概要: BullsEye: Directed Firmware Fuzzing
- arxiv url: http://arxiv.org/abs/2608.17729v1
- Date: Tue, 18 Aug 2026 12:53:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.339759
- Title: BullsEye: Directed Firmware Fuzzing
- Title（参考訳）: BullsEye:ダイレクトファームウェアファジィ
- Abstract要約: BULLSEYEは、基本ブロックレベルからユーザ特定ターゲットまでの距離でファジングをスケジュールする最初のフレームワークである。
本手法は静的解析と動的解析を組み合わせて,制約されたファームウェア領域におけるDGFを実現する。
32のファームウェアイメージにまたがる40の脆弱性サイトにおいて、BULLSEYEは予算内で全てのターゲットを再現し、4つのベースラインの中で最強の35に対して、幾何平均で9.5倍から72.5倍のタイム・トゥ・エクスポージャーを減少させる。
- 参考スコア（独自算出の注目度）: 1.4323566945483497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The widespread adoption of Internet of Things (IoT) devices has expanded the digital attack surface, making firmware analysis critical for modern software security. A key security concern stems from the frequent reuse of third-party software components, a practice that often introduces known vulnerabilities into firmware images. Whether a given image actually exposes such a flaw is an open question, and public proof-of concept exploits make answering it urgent. Directed Greybox Fuzzing (DGF), a technique that enables targeted exploration of specific binary locations, offers a promising solution for detecting such vulnerabilities. However, DGF has reached firmware only at function granularity, too coarse to aim at the vulnerable block itself. This article presents BULLSEYE, the first DGF framework to schedule closed-source Linux-based firmware fuzzing by basic-block-level distance to user-specified targets. Our methodology combines static and dynamic analysis to enable DGF in the constrained firmware domain, focusing on vulnerabilities in reused third-party components. We introduce novel DGF heuristics that address limitations of traditional approaches. We compare BULLSEYE against four greybox-fuzzing baselines sharing its execution back-end, including reimplementations of AFLGO and WINDRANGER, and against GREENHOUSE, a state-of-the-art firmware re-hosting framework. On 40 vulnerability sites across 32 firmware images, BULLSEYE reproduces every target within budget, against 35 for the strongest of the four baselines, and reduces Time-to-Exposure by a geometric mean of 9.5x to 72.5x over them; against GREENHOUSE, on the 18 targets its pipeline supports, BULLSEYE is faster by a geometric mean of 9.8x.
- Abstract（参考訳）: IoT(Internet of Things)デバイスの普及により、デジタル攻撃面が拡大し、最新のソフトウェアセキュリティにとってファームウェア分析が重要になった。
重要なセキュリティ上の懸念は、ファームウェアイメージに既知の脆弱性を導入することの多い、サードパーティのソフトウェアコンポーネントの頻繁な再利用に起因している。
ある画像が実際にそのような欠陥を露呈するかどうかは未解決の問題であり、公開実証の概念の悪用によって緊急に答えられる。
Directed Greybox Fuzzing (DGF)は、特定のバイナリロケーションを対象とする探索を可能にするテクニックで、そのような脆弱性を検出するための有望なソリューションを提供する。
しかし、DGFは機能粒度だけでファームウェアに到達し、脆弱なブロック自体を狙うには大きすぎる。
本稿では,ユーザ特定ターゲットへの基本ブロックレベル距離でクローズドソース Linux ベースのファームウェアファジリングをスケジュールする DGF フレームワーク BULLSEYE について述べる。
提案手法は静的解析と動的解析を組み合わせることで,制約されたファームウェア領域でDGFを有効にし,再利用されたサードパーティコンポーネントの脆弱性に焦点をあてる。
従来のアプローチの限界に対処する新しいDGFヒューリスティックスを導入する。
BULLSEYEは,AFLGOとWINDRANGERの再実装を含む,実行バックエンドを共有する4つのグレイボックスファジィベースラインと,最先端のファームウェア再ホストフレームワークであるGREENHOUSEを比較した。
32のファームウェアイメージにまたがる40の脆弱性サイトにおいて、BULLSEYEは予算内の全てのターゲットを35に対して、4つのベースラインで最強の35に対して再現し、幾何学平均で9.5xから72.5xの時間露光を減少させ、GREENHOUSEに対して、そのパイプラインがサポートする18のターゲットでは、BULLSEYEは9.8xで高速である。
関連論文リスト
- DiSCO: Defending text-to-image generation through distribution-guided contrastive prompt optimization [65.89030524420933]
DiSCOはゼロショットで厳密にブラックボックスのディフェンスで、プラグイン・アンド・プレイモジュールとしてプロンプトレベルで完全に動作する。
我々は,DiSCOが無防備モデルと防御モデルの両方の安全性を継続的に向上することを示した。
ブラックボックスでアーキテクチャに依存しないモジュールとして、DiSCOはどんなテキスト・ツー・イメージ・システムにも容易に適用できる。
論文 参考訳（メタデータ） (2026-08-17T19:13:55Z) - FirmCure:Towards Autonomous and Adaptive Rehosting of Linux-Based Firmware [11.13292162163197]
フルシステムの再ホストは、Linuxベースのファームウェアのセキュリティ分析において重要な役割を果たす。
我々は、Linuxベースのファームウェアを自律的かつ適応的に再ホストする最初のLLM駆動のフルシステム再ホストフレームワークであるFirmCureを提案する。
論文 参考訳（メタデータ） (2026-06-23T13:15:54Z) - FIDEM: A Standard-Compliant Framework for Secure Binding of MUD Profiles to IoT Devices [90.91375734523943]
FIDEMは、DHCPベースのMUDURL発行を保証するための標準準拠のフレームワークである。
これはZero-Knowledge-Proof認証を利用することで、IoTデバイスとそのMUDプロファイル間の暗号化バインディングを提供する。
論文 参考訳（メタデータ） (2026-05-28T09:16:50Z) - ExploitGym: Can AI Agents Turn Security Vulnerabilities into Real Attacks? [92.21756459993695]
低レベルのプログラム推論を必要とするため、爆発は難しい作業です。
その重要性と診断価値にもかかわらず、搾取は未評価のままである。
ExploitGymは、AIエージェントのエクスプロイト能力に関する大規模で多様な、現実的なベンチマークである。
論文 参考訳（メタデータ） (2026-05-11T18:00:14Z) - A Multi-Interface Firmware Acquisition and Validation Methodology for Low-Cost Consumer Drones: A Case Study on Three Holy Stone Platforms [0.0]
本稿では,HSD175,HS720,360360の3種類のホリデーストーン消費者向けドローンモデルに適用可能なファームウェア抽出と検証について述べる。
この研究は、リバースコストの成果を追求するのではなく、商業的に利用可能な低価格ツールのみを使用して、信頼性の高い地味なファームウェア画像を取得することに焦点を当てている。
論文 参考訳（メタデータ） (2026-05-11T05:28:38Z) - SysFuSS: System-Level Firmware Fuzzing with Selective Symbolic Execution [4.92575823723555]
既存のファジィアはカーネルレベルの脆弱性を検出するのに適さないユーザレベルのファジィングに重点を置いている。
本稿では,システムレベルのファジィ化と選択的シンボル実行を統合する,効率的なファームウェア検証フレームワークであるSysFuSSを提案する。
SysFuSSは、ブランチカバレッジとファームウェア脆弱性の検出の両方の観点から、最先端のファズーよりも大幅に優れています。
論文 参考訳（メタデータ） (2026-02-02T15:52:20Z) - OpenRT: An Open-Source Red Teaming Framework for Multimodal LLMs [36.57820295876294]
MLLMの安全性評価のための統一的,モジュール型,高スループットのRed-teamingフレームワークであるOpenRTを紹介した。
OpenRTのコアとなるのは,5次元にわたるモジュール分離を可能にする対角カーネルを導入することで,自動化された再チームのパラダイムシフトだ。
このフレームワークは、ホワイトボックス勾配、マルチモーダル摂動、高度なマルチエージェント進化戦略など、37の多様な攻撃手法を統合している。
論文 参考訳（メタデータ） (2026-01-04T16:41:33Z) - DiffuGuard: How Intrinsic Safety is Lost and Found in Diffusion Large Language Models [50.21378052667732]
我々は、ステップ内およびステップ間ダイナミクスという2つの異なる次元にわたるジェイルブレイク攻撃に対して、dLLM脆弱性の詳細な分析を行う。
デュアルステージアプローチによる脆弱性に対処する,トレーニング不要な防御フレームワークであるDiffuGuardを提案する。
論文 参考訳（メタデータ） (2025-09-29T05:17:10Z) - Protocol-Aware Firmware Rehosting for Effective Fuzzing of Embedded Network Stacks [17.74065470004981]
本稿では,Pemuと呼ばれるファームウェアにおけるネットワークプロトコルの自動検出と利用方法を提案する。
当社のアプローチでは,これまでテストが困難あるいは不可能であったファームウェアコンポーネントを,より深く,よりターゲットとして,レイヤバイレイヤで分析することが可能です。
論文 参考訳（メタデータ） (2025-09-17T06:48:19Z) - Cross-Service Token: Finding Attacks in 5G Core Networks [58.86003502940164]
5GコアSBIのセキュリティ欠陥を明らかにするために設計された文法ベースのファジリングフレームワークであるFivGeeFuzzを紹介する。
FivGeeFuzzを使って、Free5GCでこれまで知られていなかった8つの脆弱性を発見しました。
論文 参考訳（メタデータ） (2025-09-10T20:40:33Z) - Malware Detection in Docker Containers: An Image is Worth a Thousand Logs [10.132362061193954]
本稿では,ファイルシステムの機械学習解析により,漏洩したコンテナを識別する手法を提案する。
ソフトウェアコンテナ全体をタールボール表現を通じて大きなRGBイメージにキャストし、既存の畳み込みニューラルネットワークアーキテクチャをストリーミングでパッチベースの方法で使用することを提案する。
提案手法は,ウイルスTotalエンジンの個別およびアンサンブルよりも高いF1とリコールスコアを達成し,その有効性を実証し,マルウェアにコンパイルされたソフトウェアコンテナを識別するための新しい標準を設定する。
論文 参考訳（メタデータ） (2025-04-04T07:38:16Z) - IDEATOR: Jailbreaking and Benchmarking Large Vision-Language Models Using Themselves [70.43466586161345]
IDEATORは、ブラックボックスジェイルブレイク攻撃のための悪意のある画像テキストペアを自律的に生成する新しいジェイルブレイク手法である。
最近リリースされたVLM11のベンチマーク結果から,安全性の整合性に大きなギャップがあることが判明した。
例えば、我々はASRをGPT-4oで46.31%、Claude-3.5-Sonnetで19.65%と設定した。
論文 参考訳（メタデータ） (2024-10-29T07:15:56Z) - JailbreakBench: An Open Robustness Benchmark for Jailbreaking Large Language Models [123.66104233291065]
ジェイルブレイク攻撃は、大きな言語モデル(LLM)が有害、非倫理的、またはその他の不快なコンテンツを生成する原因となる。
これらの攻撃を評価することは、現在のベンチマークと評価テクニックの収集が適切に対処していない、多くの課題を提示します。
JailbreakBenchは、以下のコンポーネントを備えたオープンソースのベンチマークである。
論文 参考訳（メタデータ） (2024-03-28T02:44:02Z) - Prompting4Debugging: Red-Teaming Text-to-Image Diffusion Models by Finding Problematic Prompts [63.61248884015162]
テキストと画像の拡散モデルは、高品質なコンテンツ生成において顕著な能力を示している。
本研究では,拡散モデルの問題を自動検出するツールとして,Prompting4 Debugging (P4D)を提案する。
この結果から,従来のセーフプロンプトベンチマークの約半数は,本来 "セーフ" と考えられていたので,実際に多くのデプロイされた安全機構を回避できることがわかった。
論文 参考訳（メタデータ） (2023-09-12T11:19:36Z)
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。