Fugu-MT 論文翻訳(概要): State-Aware Fuzzing of JavaScript Engines with LLM-Guided Instrumentation

論文の概要: State-Aware Fuzzing of JavaScript Engines with LLM-Guided Instrumentation

arxiv url: http://arxiv.org/abs/2609.24550v1
Date: Mon, 21 Sep 2026 13:16:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-24 15:06:47.491581
Title: State-Aware Fuzzing of JavaScript Engines with LLM-Guided Instrumentation
Title（参考訳）: LLM誘導インスツルメンテーションによるJavaScriptエンジンの状態認識ファズリング
Abstract要約: StateLensは、Large Language Models(LLM)を使用して、深い内部状態の発見を自動化するフレームワークである。コードと開発者コメントを反復的にトラバースすることで、エージェントは高価値な計測ターゲットをインテリジェントに選択します。これにより、エンジンの隠れた構成をマッピングする、合成可能で高信号のフィードバックプローブが生成される。
参考スコア（独自算出の注目度）: 6.517501978134142
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The security of the modern web depends on the correctness of JavaScript (JS) engines, yet these complex systems remain vulnerable to high-impact bugs. A critical limitation of state-of-the-art fuzzers is the coverage plateau: once a fuzzer saturates the control-flow graph, edge coverage loses its ability to guide discovery. Because complex engine behaviors, such as JIT optimization tiers and hidden class transitions, often share identical edge coverage, standard coverage metrics are blind to the distinct internal states required to trigger deep errors. To bridge this gap, we present StateLens, a framework that employs Large Language Models (LLM) to automate the discovery of deep internal states. Blindly placing instrumentation probes at all states is infeasible due to the vast state space and the high runtime overhead. StateLens introduces a novel agent-based reasoning pipeline that emulates the intuition of a security researcher. By iteratively traversing code and developer comments, our agents intelligently select high-value instrumentation targets, effectively separating logic-driving state variables from irrelevant data. This results in synthesizable, high-signal feedback probes that map the engine's hidden configurations. This instrumentation feeds a dual-feedback mechanism, effectively guiding the fuzzer toward unexplored engine semantics. Our evaluation confirms that StateLens significantly outperforms state-of-the-art fuzzers and uncovering 68 new bugs.
Abstract（参考訳）: 現代のWebのセキュリティは、JavaScript(JS)エンジンの正しさに依存している。ファザが制御フローグラフを飽和すると、エッジカバレッジは発見を導く能力を失う。 JIT最適化層や隠されたクラス遷移のような複雑なエンジンの振る舞いは、しばしば同じエッジカバレッジを共有するため、標準カバレッジのメトリクスは、深いエラーを引き起こすのに必要な異なる内部状態に盲目である。このギャップを埋めるために、我々は、Large Language Models (LLM) を用いて深い内部状態の発見を自動化するフレームワークであるStateLensを紹介します。広い状態空間と高いランタイムオーバーヘッドのため、あらゆる状態に計器プローブを盲目的に配置することは不可能である。 StateLensは、セキュリティ研究者の直感をエミュレートする、新しいエージェントベースの推論パイプラインを導入している。コードと開発者のコメントを反復的にトラバースすることで、エージェントは高価値な計測対象をインテリジェントに選択し、論理駆動状態変数と無関係なデータとを効果的に分離する。これにより、エンジンの隠れた構成をマッピングする、合成可能で高信号のフィードバックプローブが生成される。このインスツルメンテーションは二重フィードバック機構を供給し、ファザーを探索されていないエンジンセマンティクスに向けて効果的に誘導する。評価の結果,StateLensは最先端のファズーを著しく上回り,68の新たなバグが発見された。

関連論文リスト

Hierarchical Fault Localization for Autonomous Driving Systems with Hypothesis Validation and Intent Analysis [14.387618464803774]
本稿では,仮説検証と意図解析に基づく階層型ADS断層定位のための2段階フレームワークHINTを提案する。フェーズ1では、HINTは障害トリガ実行レコードをマルチモーダル抽象化に変換する。フェーズIIでは、設計側の意図と実装側の振る舞いを再構築し、信頼性を意識した整合性チェックを通じて不審なコードをローカライズする。
論文参考訳（メタデータ） (2026-07-14T10:17:01Z)
Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文参考訳（メタデータ） (2026-03-23T14:48:54Z)
From Coverage to Causes: Data-Centric Fuzzing for JavaScript Engines [4.282746516699565]
多数のプログラム状態と実行パスのため、モダンなJavaScriptエンジンの排他的ファズリングは実現不可能である。これは、カバレッジをデータ指向推論に置き換える自動データ駆動アプローチである。
論文参考訳（メタデータ） (2025-12-19T22:15:53Z)
Hybrid Fuzzing with LLM-Guided Input Mutation and Semantic Feedback [0.0]
本稿では,静的および動的解析をLarge Language Model(LLM)誘導入力変異と意味フィードバックと統合したハイブリッドファジリングフレームワークを提案する。本手法は,最先端のファジィよりも高速な時間対第一のバグ,意味的多様性の向上,およびユニークなバグの競合数を実現する。
論文参考訳（メタデータ） (2025-11-06T02:38:24Z)
VehicleWorld: A Highly Integrated Multi-Device Environment for Intelligent Vehicle Interaction [78.34534983766973]
VehicleWorldは、30のモジュール、250のAPI、680のプロパティを備えた、自動車ドメインのための最初の包括的な環境である。本研究では,システム状態認識を明示的に維持し,目標条件を達成するために直接状態遷移を実装する新しい手法であるState-based Function Call (SFC)を提案する。
論文参考訳（メタデータ） (2025-09-08T14:28:25Z)
SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文参考訳（メタデータ） (2025-02-28T21:53:47Z)
Dissecting Adversarial Robustness of Multimodal LM Agents [70.2077308846307]
我々は、VisualWebArena上に現実的な脅威モデルを用いて、200の敵タスクと評価スクリプトを手動で作成する。我々は,クロボックスフロンティアLMを用いた最新のエージェントを,リフレクションやツリーサーチを行うエージェントを含む,壊すことに成功している。 AREを使用して、新しいコンポーネントの追加に伴うロバスト性の変化を厳格に評価しています。
論文参考訳（メタデータ） (2024-06-18T17:32:48Z)
CovRL: Fuzzing JavaScript Engines with Coverage-Guided Reinforcement Learning for LLM-based Mutation [2.5864634852960444]
本稿では,大規模言語モデル(LLM)とカバレッジフィードバックからの強化学習を組み合わせた,CovRL(Coverage-guided Reinforcement Learning)と呼ばれる新しい手法を提案する。 CovRL-Fuzzは、39の既知の脆弱性と11のCVEを含む、最新のJavaScriptエンジンにおける48の実際のセキュリティ関連バグを特定している。
論文参考訳（メタデータ） (2024-02-19T15:30:40Z)
Safety-Enhanced Autonomous Driving Using Interpretable Sensor Fusion Transformer [28.15612357340141]
我々は、InterFuser(Interpretable Sensor Fusion Transformer)という安全強化型自律走行フレームワークを提案する。我々は、総合的なシーン理解と対向事象検出を実現するために、マルチモーダル・マルチビューセンサーからの情報を処理し、融合する。私たちのフレームワークは、よりセマンティクスを提供し、安全なセット内のアクションをよりよく制約するために利用されます。
論文参考訳（メタデータ） (2022-07-28T11:36:21Z)
Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文参考訳（メタデータ） (2021-03-26T01:18:11Z)

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。