論文の概要: POZZER: A Power Side Channel-guided Fuzzer for Black-Box Embedded Systems
- arxiv url: http://arxiv.org/abs/2609.23583v1
- Date: Sun, 20 Sep 2026 12:04:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 16:33:07.794626
- Title: POZZER: A Power Side Channel-guided Fuzzer for Black-Box Embedded Systems
- Title（参考訳）: POZZER:ブラックボックス組込みシステム用パワーサイドチャネル誘導ファザ
- Abstract要約: POZZERは、ブラックボックス組み込みシステムのためのサイドチャネル誘導ファザーである。
我々は,POZZERを2つのプラットフォームにまたがる15のファームウェアターゲットと2つの実世界の商用組込みデバイス上で評価した。
- 参考スコア（独自算出の注目度）: 11.5000229537128
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Firmware fuzzing is an effective technique for discovering vulnerabilities in embedded systems. However, existing coverage-guided firmware fuzzers typically obtain feedback through firmware instrumentation, hardware debug interfaces, or firmware rehosting, which requires access to the firmware source code or binary image. Such requirements are often infeasible for off-the-shelf embedded devices, where firmware binaries are inaccessible, unrehostable, immodifiable, or undebuggable, necessitating fuzzing under black-box conditions. In this paper, we present POZZER, a power side-channel-guided fuzzer for black-box embedded systems. POZZER uses power traces as feedback to identify previously unseen behavior via an incrementally constructed graph-based representation of observed executions, guiding the fuzzer toward unexplored execution paths. Its non-profiling design requires neither prior firmware knowledge nor a clone device, extracting meaningful feedback from a single power trace per execution while remaining robust to measurement noise. We evaluate POZZER on 15 firmware targets across two platforms and two real-world commercial embedded devices. Across the resulting target-platform combinations, POZZER outperforms a blind fuzzer under the same time budget in 26 out of 30 target-platform combinations. Furthermore, POZZER discovers two previously unknown vulnerabilities in one of the commercial devices, both confirmed by the vendor, demonstrating its potential for identifying vulnerabilities in black-box embedded systems.
- Abstract（参考訳）: ファームウェアファジッシングは組み込みシステムの脆弱性を発見する効果的な手法である。
しかし、既存のカバレッジ誘導ファームウェアファザーは、ファームウェアのインスツルメンテーション、ハードウェアデバッグインターフェース、ファームウェアの再ホストを通じてフィードバックを得るのが一般的であり、ファームウェアのソースコードやバイナリイメージにアクセスする必要がある。
このような要件は、ファームウェアバイナリがアクセス不能で、ホスト不能で、修正不可能で、ブラックボックス条件下でファジィングを必要とするような、既製の組み込みデバイスでは実現不可能であることが多い。
本稿では,ブラックボックス組込みシステムのためのパワーサイドチャネル誘導ファザであるPOZZERを提案する。
POZZERはパワートレースをフィードバックとして使用し、インクリメンタルに構築されたグラフベースの観測実行の表現を通じて、未探索の実行パスに向けてファザーを誘導する。
非プロファイリング設計では、事前のファームウェア知識もクローンデバイスも必要とせず、ノイズ測定に頑健でありながら、実行毎に1つのパワートレースから有意義なフィードバックを抽出する。
我々は,POZZERを2つのプラットフォームにまたがる15のファームウェアターゲットと2つの実世界の商用組込みデバイス上で評価した。
結果、ターゲットプラットフォームの組み合わせ全体で、POZZERは30のターゲットプラットフォームの組み合わせのうち26の時間予算でブラインドファザーより優れています。
さらに、POZZERは、ブラックボックス組み込みシステムの脆弱性を識別する可能性を実証し、ベンダーによって確認された商用デバイスのうちの1つで、これまで知られていなかった2つの脆弱性を発見した。
関連論文リスト
- Reactive Peripheral Modeling for Faithful Firmware Rehosting [46.071436745445]
リアクティブ周辺モデリング(Reactive Peripheral Modeling, RPM)は、ハードウェア周辺をリアクティブでステートフルなシステムとしてモデル化する抽象化である。
我々は、BLEファームウェアの再ホストとファジィのためのBluezzにRPMを実装し、より深いプロトコル状態に到達するためには、リアクティブモデリングが必要であることを示す。
Bluezzは、従来の最先端のリホスト方式の2.6倍以上の基本的なブロック範囲を達成している。
論文 参考訳（メタデータ） (2026-08-30T11:54:37Z) - Fuzz'EMup: Leveraging EM Side-Channel Emanation to Guide Black-Box Embedded Firmware Fuzzing [8.83241136220859]
我々は、電磁(EM)サイドチャネルのエマニュエーションを利用して、ブラックボックス設定でファームウェアファジリングを誘導する手法を提案する。
EMトレースはノイズが多く、タイミングジッタは異なるトレースの対応する特徴を時間とともに変化させる。
実際のファームウェアの4つのターゲットに対するアプローチを評価し,EMからのフィードバックによって経路探索が促進され,無誘導ファジィよりも高いコードカバレッジが得られることを示した。
論文 参考訳（メタデータ） (2026-07-17T20:25:03Z) - PowerFuzz: Power-Based Black-Box Firmware Fuzzing [2.175752761257231]
本稿では,二元計測の代用としてパワーサイドチャネル計測を利用した統計的ブラックボックスファジリングフレームワークであるPowerFuzzを紹介する。
ブラックボックスのファームウェアファジリングにおける中心的な課題は、テスト実行中に実行されるブランチを決定することである。
我々は、PowerFuzzがグレーボックスファザに匹敵するブランチカバレッジを提供する一方で、最先端のブラックボックスファザよりも(最大22%)優れていたことを示す。
論文 参考訳（メタデータ） (2026-06-23T15:21:40Z) - 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) - 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) - RedVisor: Reasoning-Aware Prompt Injection Defense via Zero-Copy KV Cache Reuse [47.85771791033142]
本稿では,防止戦略のシームレスな統合による検出システムの説明可能性を合成するフレームワークであるRedVisorを提案する。
RedVisorは、きめ細かい推論パスを利用して同時に攻撃を検出し、モデルの安全な応答を誘導する最初のアプローチである。
実験により、RedVisorは検出精度とスループットにおいて最先端の防御性能を上回り、無視可能なユーティリティ損失を発生させることを示した。
論文 参考訳（メタデータ） (2026-02-02T08:26:51Z) - Beyond Model Jailbreak: Systematic Dissection of the "Ten DeadlySins" in Embodied Intelligence [36.972586142931256]
Embodied AIシステムは、言語モデルと現実世界のセンシング、モビリティ、クラウドに接続されたモバイルアプリを統合する。
われわれはUnitree Go2プラットフォームの最初の総合的なセキュリティ分析を行う。
クロスレイヤの脆弱性10つ、"Embodied AI Securityの10点"を発見
論文 参考訳（メタデータ） (2025-12-06T10:38:00Z) - 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) - SyzTrust: State-aware Fuzzing on Trusted OS Designed for IoT Devices [67.65883495888258]
我々は、リソース制限されたTrusted OSのセキュリティを検証するための、最初の状態認識ファジィフレームワークであるSyzTrustを紹介する。
SyzTrustはハードウェア支援フレームワークを採用し、IoTデバイス上でTrusted OSを直接ファジングできるようにする。
我々は、Samsung、Tsinglink Cloud、Ali Cloudの3つの主要なベンダーからSyzTrust on Trusted OSを評価した。
論文 参考訳（メタデータ） (2023-09-26T08:11:38Z) - DeFuzz: Deep Learning Guided Directed Fuzzing [41.61500799890691]
本稿では,DeFuzzというソフトウェア脆弱性検出のための,ディープラーニング(DL)誘導指向ファズリングを提案する。
DeFuzzには2つの主要なスキームが含まれている。 1) 潜在的に脆弱な機能と位置(脆弱性のあるアドレス)を特定するために、トレーニング済みのDL予測モデルを使用する。
正確には、Bidirectional-LSTM (BiLSTM) を用いて注意語を識別し、その脆弱性はこれらの注意語に関連付けられている。
論文 参考訳（メタデータ） (2020-10-23T03:44:03Z)
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。