論文の概要: Raise or Check? Predicting the Necessity of Additional Fuzzing for Continuous Fuzzing

• arxiv url: http://arxiv.org/abs/2610.27828v1
• Date: Tue, 20 Oct 2026 08:18:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.716579
• Title: Raise or Check? Predicting the Necessity of Additional Fuzzing for Continuous Fuzzing
• Title（参考訳）: 上昇かチェックか? 連続ファジングのための追加ファジングの必要性を予測する
• Abstract要約: オープンソースソフトウェア(OSS)の脆弱性検出に継続的ファジィングが使用される それにもかかわらず、脆弱性が導入された時と検出された時の間にはかなりの時間ラグが存在する。 リスクの高いプロジェクトのためにファジングを優先するフレームワークであるRAISEを提案する。
• 参考スコア（独自算出の注目度）: 0.16612854433953733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous fuzzing is used for vulnerability detection in Open Source Software (OSS). Large-scale services such as Google's OSS-Fuzz fuzz over 1,300 projects and have revealed more than 10,000 vulnerabilities. Despite this, a considerable time lag often exists between when a vulnerability is introduced and when it is detected (i.e., the window of exposure). Given the computational cost of additional fuzzing, we aim to allocate fuzzing resources efficiently using vulnerability-risk estimates. We propose RAISE (Risk-Aware Intensive Supplemental Execution Framework), a Just-In-Time (JIT) framework that prioritizes additional fuzzing for high-risk project-days. RAISE performs binary classification at the project-day granularity to estimate whether a vulnerability is introduced on a given day. We construct a dataset combining vulnerability-introducing commits from the OSV database with daily coverage and change metrics from OSS-Fuzz, covering 15 C/C++ projects and 15,210 project-days, of which 347 (2.28%) are vulnerability-introducing. In a cross-project validation setting, our best model, a Random Forest combining VCCFinder-based static features with dynamic fuzzing features, achieves a ROC-AUC of 0.74, substantially outperforming a random baseline; coverage metrics, led by PatchCoverage, are the most important features. In a simulation over 968 vulnerabilities comparing five allocation strategies, Simple-Regression was significantly more cost-efficient than the prediction-agnostic heuristics, spending 91.60 additional fuzzing sessions per detected vulnerability, roughly half the cost of the Median heuristic (171.89). RAISE shows that JIT vulnerability prediction with coverage-aware fuzzing features can effectively guide risk-aware allocation of continuous fuzzing resources.
• Abstract（参考訳）: 継続的ファジングは、オープンソースソフトウェア(OSS)の脆弱性検出に使用される。 GoogleのOSS-Fuzz fuzzのような大規模サービスは1300以上のプロジェクトで、10,000以上の脆弱性を明らかにしている。 それにもかかわらず、脆弱性が導入された時とそれが検出された時(すなわち露光の窓)の間には、かなりの時間ラグがしばしば存在する。 付加的なファジィングの計算コストを考慮すると、脆弱性リスク推定を用いて効率的にファジィングリソースを割り当てることが目的である。 RAISE(Risk-Aware Intensive Supplemental Execution Framework)はJIT(Just-In-Time)フレームワークで、リスクの高いプロジェクトのためにファジングを優先する。 RAISEは、ある日に脆弱性が導入されたかどうかを推定するために、プロジェクトデイの粒度でバイナリ分類を行う。 我々は,OSVデータベースからの脆弱性導入コミットとOSS-Fuzzの日次カバレッジと変更メトリクスを組み合わせたデータセットを構築し,15のC/C++プロジェクトと15,210のプロジェクトデイをカバーし,そのうち347(2.28%)が脆弱性導入である。 クロスプロジェクト検証設定では、VCCFinderベースの静的機能と動的ファジィ機能を組み合わせたRandom Forestが、ランダムベースラインを大幅に上回り、ROC-AUC 0.74を達成する。 5つのアロケーション戦略を比較する968以上の脆弱性のシミュレーションにおいて、Simple-Regressionは予測に依存しないヒューリスティックよりもはるかにコスト効率が高く、検出された脆弱性ごとに91.60のファジングセッションを費やし、メディア・ヒューリスティックの約半分のコスト(171.89)を消費した。 RAISEは、カバレッジを意識したファジング機能によるJIT脆弱性予測は、継続的なファジングリソースのリスクを意識したアロケーションを効果的に導くことができることを示している。

関連論文リスト

• SEEK: Agentic Knowledge Graph Retrieval for Secure Code Generation [52.549964800555124]
  大きな言語モデル(LLM)は、悪用可能なセキュリティ脆弱性を導入しながら、機能的に正しいコードを生成することができる。 本稿では,セキュリティ知識グラフを構成するセキュアコード生成のためのエージェントグラフRAGフレームワークであるSEEKを提案する。 我々は、C、C++、PythonにまたがるCodeGuard+とCyberSecEvalの配布外設定でSEEKを評価した。
  論文  参考訳（メタデータ） (2026-10-10T14:37:22Z)
• Revelio: Cost-Efficient Agentic Memory Safety Vulnerability Detection For Repository-Scale Codebases [43.11224670950285]
  Revelioはメモリセーフな脆弱性発見のための費用効率のよいフレームワークだ。 実行可能なProof-of-Vulnerabilityを生成し、決定論的サニタイザでチェックする。 1プロジェクト当たり約1時間、合計300ドルの費用で、Revelioは19の既知のメモリセーフティ脆弱性を発見した。
  論文  参考訳（メタデータ） (2026-06-20T23:17:23Z)
• What Do They Fix? LLM-Aided Categorization of Security Patches for Critical Memory Bugs [46.325755802511026]
  我々は、LLM(Large Language Model)と細調整された小言語モデルに基づく2つのアプローチを統合するデュアルメタルパイプラインであるLMを開発した。 LMは、OOBまたはUAFの脆弱性に対処する最近のLinuxカーネルのパッチ5,140のうち111つを、手作業による検証によって90の正の正が確認された。
  論文  参考訳（メタデータ） (2025-09-26T18:06:36Z)
• CyberGym: Evaluating AI Agents' Real-World Cybersecurity Capabilities at Scale [45.97598662617568]
  我々は188のソフトウェアプロジェクトにわたる1,507の実際の脆弱性を特徴とする大規模ベンチマークであるCyberGymを紹介した。 我々はCyberGymが35のゼロデイ脆弱性と17の歴史的不完全なパッチを発見できることを示した。 これらの結果は、CyberGymは、サイバーセキュリティにおけるAIの進歩を測定するための堅牢なベンチマークであるだけでなく、直接的な現実世界のセキュリティ効果を生み出すためのプラットフォームでもあることを強調している。
  論文  参考訳（メタデータ） (2025-06-03T07:35:14Z)
• Static Application Security Testing (SAST) Tools for Smart Contracts: How Far Are We? [14.974832502863526]
  近年,スマートコントラクトセキュリティの重要性が高まっている。 この問題に対処するため、スマートコントラクトの脆弱性を検出するために、多数の静的アプリケーションセキュリティテスト(SAST)ツールが提案されている。 本稿では,スマートコントラクトに対する45種類の脆弱性を含む,最新のきめ細かな分類法を提案する。
  論文  参考訳（メタデータ） (2024-04-28T13:40:18Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• NLP-based Cross-Layer 5G Vulnerabilities Detection via Fuzzing Generated Run-Time Profiling [4.893416946078254]
  本稿では,5Gスタックにおける脆弱性,意図しない創発的動作,および性能劣化を自動的に検出する革新的な手法を提案する。 srsRANをパイロットとして、ファジィテストによって生成されたログ情報(LogInfo)を介して、実行時のプロファイリングをまず高次元距離空間にマッピングする。 さらに、ロジスティック回帰(Logistic Regression)、K-Nearest Neighbors(K-Nearest Neighbors)、ランダムフォレスト(Random Forest)といった機械学習ベースの分類アルゴリズムを活用して、パフォーマンスとセキュリティ特性への影響を分類します。
  論文  参考訳（メタデータ） (2023-05-14T19:07:21Z)
• VELVET: a noVel Ensemble Learning approach to automatically locate VulnErable sTatements [62.93814803258067]
  本稿では,ソースコード中の脆弱な文を見つけるための新しいアンサンブル学習手法であるVELVETを提案する。 我々のモデルは、グラフベースとシーケンスベースニューラルネットワークを組み合わせて、プログラムグラフの局所的およびグローバル的コンテキストを捕捉する。 VELVETは、合成データと実世界のデータに対して、それぞれ99.6%と43.6%の精度を達成している。
  論文  参考訳（メタデータ） (2021-12-20T22:45:27Z)

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。