論文の概要: SoK: ARCUS: On the Efficiency and Efficacy of Hardware Fuzzing

• arxiv url: http://arxiv.org/abs/2608.23933v1
• Date: Tue, 25 Aug 2026 00:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.680717
• Title: SoK: ARCUS: On the Efficiency and Efficacy of Hardware Fuzzing
• Title（参考訳）: SoK:ARCUS: ハードウェアファジィの効率性と有効性について
• Abstract要約: 主な要因は、入力刺激の品質、突然変異戦略、フィードバックメカニズム、ターゲットプラットフォーム、参照モデル、達成されたカバレッジである。 我々は、インテリジェントな入力生成、信頼性とスケーラブルなゴールデンリファレンスモデル、表現力のあるフィードバックチャネル、層間統合など、現在のハードウェアファジリングプラクティスにおけるいくつかのアンメニーズを特定します。 これらの知見に基づいて、ハイブリッドファジィングフレームワーク、AI支援テスト生成、スケーラブルなリファレンスモデル、標準化された評価指標、ベンチマークなど、今後の研究方向性を概説する。
• 参考スコア（独自算出の注目度）: 2.5548220569661226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents a comprehensive analysis of contemporary hardware fuzzing techniques applied across three major abstraction layers: Instruction Set Architecture (ISA), microarchitecture, and Register-Transfer Level (RTL). Our study examines key factors including input stimulus quality, mutation strategies, feedback mechanisms, target platforms, reference models, and achieved coverage. We find challenges, goals, and design trade-offs vary significantly across abstraction layers. We further identify several unmet needs in current hardware fuzzing practices, such as intelligent input generation, reliable and scalable golden reference models, expressive feedback channels, and cross-layer integration. Building on these insights, we outline future research directions, including hybrid fuzzing frameworks, AI-assisted test generation, scalable reference models, standardized evaluation metrics and benchmarks, and human-in-the-loop automation for guided exploration and analysis. Together, they aim to unlock efficient, reliable, and comprehensive hardware verification solutions.
• Abstract（参考訳）: 本研究は,インストラクション・セット・アーキテクチャ(ISA),マイクロアーキテクチャ,レジスタ・トランスファー・レベル(RTL)という3つの主要な抽象化・レイヤにまたがって適用された,現代のハードウェアファジリング手法を包括的に分析した。 本研究は, 入力刺激品質, 突然変異戦略, フィードバック機構, ターゲットプラットフォーム, 参照モデル, 達成範囲など, 重要な要因について検討した。 課題や目標,設計上のトレードオフは,抽象化レイヤによって大きく異なります。 さらに、インテリジェントな入力生成、信頼性とスケーラブルなゴールデンリファレンスモデル、表現力のあるフィードバックチャネル、層間統合など、現在のハードウェアファジリングプラクティスにおけるいくつかのアンメニーズを特定します。 これらの洞察に基づいて、我々は、ハイブリッドファジリングフレームワーク、AI支援テスト生成、スケーラブルなリファレンスモデル、標準化された評価指標とベンチマーク、ガイド付き探索と分析のためのヒューマン・イン・ザ・ループの自動化など、将来の研究方向性を概説する。 どちらも、効率的で信頼性が高く、包括的なハードウェア検証ソリューションをアンロックすることを目指している。

関連論文リスト

• A systematic literature Review for Transformer-based Software Vulnerability detection [0.8409304328108455]
  このSLRは、ソフトウェア脆弱性を特定するためにトランスフォーマーモデルを利用した2021年から2025年の間に発表された80の研究を批判的に分析した。 我々はトランスフォーマーモデルをエンコーダ、デコーダ、複合アーキテクチャに分類し、ソースコード、ログ、スマートコントラクトで使用した事前学習版と微調整版の両方を解析する。
  論文  参考訳（メタデータ） (2026-04-27T14:26:19Z)
• Benchmarking Requirement-to-Architecture Generation with Hybrid Evaluation [8.867061253116367]
  大規模言語モデル(LLM)は、ソフトウェアエンジニアリングタスクの自動化において大きな可能性を証明している。 要件文書からソフトウェアアーキテクチャ設計を生成することは、ソフトウェア開発における重要なステップである。 R2ABenchは、さまざまな現実世界のソフトウェアプロジェクトと、包括的製品要求文書(PRD)と専門家による参照図を組み合わせた、新しいベンチマークである。
  論文  参考訳（メタデータ） (2026-04-08T04:58:36Z)
• RooflineBench: A Benchmarking Framework for On-Device LLMs via Roofline Analysis [53.90240071275054]
  SLM(Small Language Models)によるローカライズドインテリジェンスへの移行により、リソース制約のあるエッジハードウェア上での厳密なパフォーマンス評価の必要性が高まっている。 運用強度レンズ(OI)によるアーキテクチャプリミティブとハードウェア制約を統一する体系的フレームワークを提案する。 推論-ポテンシャル領域を定義することにより、同一ハードウェア基板上のLarge Language Models(LLM)の効率差を比較するための新しい指標として、相対推論ポテンシャルを導入する。
  論文  参考訳（メタデータ） (2026-02-12T03:02:22Z)
• TokaMark: A Comprehensive Benchmark for MAST Tokamak Plasma Models [56.94569090844015]
  TokaMarkは、Mega Ampere Spherical Tokamak (MAST)から収集された実実験データに基づいてAIモデルを評価するための構造化ベンチマークである。 TokaMarkは、データ駆動型AIベースのプラズマモデリングの進歩を加速することを目的としている。
  論文  参考訳（メタデータ） (2026-02-05T16:49:44Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• Explaining What Machines See: XAI Strategies in Deep Object Detection Models [0.0]
  説明可能な人工知能(XAI)は、モデル決定をより透明化し、解釈可能で、人間にふさわしいものにすることを目的としている。 本稿では,オブジェクト検出モデルに特化して適用される最新技術説明可能性手法を包括的に分析する。
  論文  参考訳（メタデータ） (2025-09-02T06:16:30Z)
• Detection Transformers Under the Knife: A Neuroscience-Inspired Approach to Ablations [5.5967570276373655]
  我々は3つの最先端検出トランスモデルにおけるキーコンポーネントの破壊の影響を系統的に分析する。 我々は,これらの改善がパフォーマンス指標gIoUとF1スコアに与える影響を評価する。 本研究は, モデル性能に対する内部成分の寄与を明らかにすることにより, DETRのXAIを推し進める。
  論文  参考訳（メタデータ） (2025-07-29T12:00:08Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• The Emergence of Hardware Fuzzing: A Critical Review of its Significance [0.4943822978887544]
  ソフトウェアテスト方法論にインスパイアされたハードウェアファジングは、複雑なハードウェア設計におけるバグを識別する効果で有名になった。 様々なハードウェアファジィ技術が導入されたにもかかわらず、ハードウェアモジュールのソフトウェアモデルへの非効率な変換などの障害は、その効果を妨げている。 本研究は,脆弱性の同定における既存のハードウェアファジィング手法の信頼性を検証し,今後の設計検証技術の進歩に向けた研究ギャップを同定する。
  論文  参考訳（メタデータ） (2024-03-19T15:12:11Z)
• A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
  本稿では,DAF(Disdisrepancy Aware Framework)を提案する。 本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。 単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
  論文  参考訳（メタデータ） (2023-10-11T15:21:40Z)

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。