論文の概要: Efficient Program Reduction for Library Fuzzing Harnesses
- arxiv url: http://arxiv.org/abs/2610.23054v1
- Date: Fri, 16 Oct 2026 07:32:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.817682
- Title: Efficient Program Reduction for Library Fuzzing Harnesses
- Title（参考訳）: 図書館ファジィ・ハーネスの効率的なプログラム・リダクション
- Abstract要約: 本稿では,C/C++ライブラリファジィハーネスの効率的な最小化システムであるHarnessMinimizerを提案する。
最適化されたパイプラインは、ヘッダ分析と準備されたライブラリとランタイムを再利用し、単純化された各ハーネスの構築と実行に必要な作業を削減する。
21のオープンソースライブラリから200のクラッシュケースに対して,4つのリダクションエンジンを備えたHarnessMinimizerを評価した。
- 参考スコア（独自算出の注目度）: 9.009032089175472
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Library fuzzing harnesses translate generated inputs into API calls. When a complex harness triggers a crash, developers must determine whether the cause is a library defect or invalid harness usage. A smaller reproducer can simplify this investigation, but obtaining one requires repeatedly building and executing modified harnesses and analyzing their crashes, making manual or even automatic minimization time-consuming. Moreover, data-dependent statements prevent the reducer to remove unnecessary code and the heavy stack trace symbolization in libraries also slows down the candidate execution. To address these challenges, we present HarnessMinimizer, a system for efficient minimization of C/C++ library fuzzing harnesses. Its optimized pipeline reuses header analysis and prepared libraries and runtimes to reduce the work required to build and execute each simplified harness during the reduction process. It records and replays input values so that unnecessary input operations can be removed without changing the values supplied to surviving calls. It also uses a fast method to check whether each simplified harness preserves the original crash, avoiding repeated stack trace symbolization. We evaluate HarnessMinimizer with four reduction engines on 200 crash cases from 21 open source libraries. Compared with the unoptimized pipeline, HarnessMinimizer achieves speedups of 3.46-4.51 times in average total wall time. Average harness size decreases from 1,352 original tokens to 143-263 remaining tokens after minimization. In crash triage using a large language model, accuracy in identifying harness bugs increases from 28% with the original harnesses to 44-51% with the minimized harnesses, while accuracy for library bugs remains at 100%.
- Abstract（参考訳）: ライブラリファジィハーネスは生成されたインプットをAPIコールに変換する。
複雑なハーネスがクラッシュを起こすと、開発者はその原因がライブラリの欠陥なのか、不正なハーネスの使用なのかを判断しなければならない。
より小さな再生器は、この調査を単純化することができるが、修正されたハーネスを繰り返し構築して実行し、それらのクラッシュを分析し、手動や自動最小化の時間も消費する。
さらに、データ依存のステートメントは、レデューサが不要なコードを削除するのを防ぎ、ライブラリの重いスタックトレースのシンボル化も候補の実行を遅くする。
これらの課題に対処するため,我々は,C/C++ライブラリファジングハーネスの効率的な最小化システムであるHarnessMinimizerを提案する。
最適化されたパイプラインは、ヘッダ分析と準備されたライブラリとランタイムを再利用し、削減プロセス中に各単純化されたハーネスの構築と実行に必要な作業を削減する。
残っていた呼び出しに供給された値を変更することなく、不要な入力操作を削除することができるように、入力値を記録および再生する。
また、スタックトレースの繰り返しのシンボル化を避けるために、各単純化されたハーネスが元のクラッシュを保存するかどうかを確認するために、高速なメソッドを使用する。
21のオープンソースライブラリから200のクラッシュケースに対して,4つのリダクションエンジンを備えたHarnessMinimizerを評価した。
最適化されていないパイプラインと比較すると、HarnessMinimizerは平均壁時間の3.46-4.51倍のスピードアップを達成する。
平均ハーネスサイズは、最小化後に1,352個から143-263個に減少する。
大規模な言語モデルを用いたクラッシュトリアージでは、ハーネスバグを特定する精度は、オリジナルのハーネスで28%から、最小化されたハーネスで44-51%に向上する一方、ライブラリバグの精度は100%に留まる。
関連論文リスト
- SyzHarness: Patch-Based Kernel Bug Reproduction with LLM-Synthesized Fuzzing Harnesses [31.39938166554902]
SyzHarnessは、LLM推論と、パッチベースのLinuxカーネルの脆弱性の再現のためのカバレッジ誘導ファジングを組み合わせたフレームワークである。
100のKernelCTFケースでは、SyzHarnessは78%のバグ再現成功率を達成した。
SyzDirectベンチマークでは、SyzHarnessが73%のバグ再現成功率を達成した。
論文 参考訳（メタデータ） (2026-09-20T21:50:36Z) - WHALE: A Simple Recipe for Joint Harness-Weight Optimization [48.550149284101536]
WHALE(Weight-Harness Alternating LEarning)は、2つのフェーズを切り替えるレシピである。
3つの領域にわたるQwen3.5-2B/4Bエージェント(質問応答、数学的推論、チェスパズル)を使用して、WHALEは重量のみ、ハーネスのみ、Fast-Slow Trainingの4.15-24.38ポイントを最高の平均@8の精度で上回る。
論文 参考訳（メタデータ） (2026-08-31T18:12:55Z) - AutoSaddler: Automatic Harness Optimization with Durable Updates from Agent Execution Traces [61.51487329124135]
AutoSaddlerは、オフラインの学習問題として改善を活用するフレームワークである。
ミニバッチからの障害信号を使用して、ハーネスを反復的に更新する。
GAIA2, SWE-Bench Pro, Terminal-Bench 2.0 の実験により, AutoSaddler はエージェント性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2026-08-24T09:45:08Z) - HarnessLLM: Rust Verification Harness Generation with Large Language Models [8.14069260667009]
Rustのオーナシップモデルと型システムは、強力なメモリ安全保証を提供するが、安全でないコードとランタイムパニックは依然として重大なリスクを伴っている。
メモリ安全性を確保するためには形式的検証が不可欠だが、検証ハーネスの開発は依然として困難な作業である。
私たちは、大規模な言語モデルを活用して、既存のテストスイートから直接Rustコードの検証ハーネスを生成する自動化ワークフローであるHarnessLLMを紹介します。
論文 参考訳（メタデータ） (2026-07-24T10:06:52Z) - Quality-Assured Fuzz Harness Generation via the Four Principles Framework [9.484544174862325]
生成プロセスを通じて正確性を向上させる自律型ハーネス生成システムであるQuartetFuzzを提案する。
コアとなるのはFour Principlesフレームワーク -- Logic Correctness (P1)、API Protocol Compliance (P2)、Security Boundary Respect (P3)、Entry Point Adequacy (P4) である。
論文 参考訳（メタデータ） (2026-05-20T23:48:26Z) - Meta-Harness: End-to-End Optimization of Model Harnesses [52.31507076660471]
本稿では,大規模言語モデル(LLM)アプリケーションのためのコード検索を行う外部ループシステムであるMeta-Harnessを紹介する。
オンラインテキスト分類では、Meta-Harnessは4倍少ないコンテキストトークンを使用しながら、最先端のコンテキスト管理システムを7.7ポイント改善する。
検索強化数学推論では、200 IMOレベルの問題の精度を5つの保留モデルの平均4.7ポイント向上する。
論文 参考訳（メタデータ） (2026-03-30T05:33:50Z) - Scheduzz: Constraint-based Fuzz Driver Generation with Dual Scheduling [16.453200060615234]
本稿では,ライブラリの合理的使用法を理解し,APIの組み合わせ制約を抽出するために,新しいライブラリファジリング手法であるSchudzzを提案する。
Scheduzzは計算オーバーヘッドを大幅に削減し、21のライブラリのうち16でUTopiaを上回っている。
最新技術であるCKGFuzzer、Promptfuzz、手作りのOSS-Fuzzよりも1.62倍、1.50倍、および1.89倍高いカバレッジを実現している。
論文 参考訳（メタデータ） (2025-07-24T10:51:11Z) - D-LiFT: Improving LLM-based Decompiler Backend via Code Quality-driven Fine-tuning [49.16469288280772]
逆コンパイラは、バイナリから可読なソースコードを再構築する。
近年の進歩にもかかわらず、そのアウトプットは構文上の誤りや意味的な誤りに悩まされ、読みにくいままである。
大規模言語モデル (LLMs) の出現により、研究者は逆コンパイラ出力を洗練するためのLLMの可能性を探り始めた。
D-LIFTは、微調整強化学習を施した拡張逆コンパイラLLMパイプラインである。
論文 参考訳（メタデータ） (2025-06-11T19:09:08Z) - FastLR: Non-Autoregressive Lipreading Model with Integrate-and-Fire [74.04394069262108]
我々は,全てのターゲットトークンを同時に生成する非自己回帰(NAR)リップリーダーモデルであるFastLRを提案する。
FastLRは最先端のリップリーダーモデルと比較して10.97$times$のスピードアップを実現している。
論文 参考訳（メタデータ） (2020-08-06T08:28:56Z) - TinyTL: Reduce Activations, Not Trainable Parameters for Efficient
On-Device Learning [78.80707950262214]
デバイス上での学習により、エッジデバイスはAIモデルを新しいデータに継続的に適応できる。
既存の作業は、トレーニング可能なパラメータの数を減らすことで、この問題を解決する。
メモリ効率の高いオンデバイス学習のためのTiny-Transfer-Learning(TinyTL)を提案する。
論文 参考訳（メタデータ） (2020-07-22T18:39:53Z)
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。