論文の概要: Typed Template Fuzzing

• arxiv url: http://arxiv.org/abs/2610.31342v1
• Date: Thu, 22 Oct 2026 14:26:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.407647
• Title: Typed Template Fuzzing
• Title（参考訳）: Typed Template Fuzzing
• Abstract要約: 本稿では,軽量LLMファジリング手法であるTyped Fuzzing (TTF)を紹介する。 TTFは言語固有のテンプレートを使わずに突然変異ベースのファジングを可能にする。 我々はTTFをツールTyposに実装し、C、C++、Go、Rust、SystemVerilog、Scala、Javaを含む21の入力言語と、PyTorchやQiskitといったライブラリを評価しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fuzzing software with complex inputs has been a longstanding challenge. Traditionally, fuzzers either programmatically encode language constraints, requiring significant engineering effort, or rely on users to declare grammars and constraints. Recent LLM-based fuzzers address these drawbacks but introduce new issues. Some use LLMs for test generation, sacrificing throughput and producing invalid inputs when the LLM makes mistakes. Others rely on language-specific parsers, static analysis, and AST manipulation libraries. We introduce Typed Template Fuzzing (TTF), a lightweight LLM-based fuzzing methodology. The key idea is to use LLMs in a preprocessing step to transform seeds into typed templates. The typed templates then enable semantically aware, mutation-based fuzzing without language-specific parsers, type checkers, or further LLM queries during fuzzing. By exploiting the correspondence between seeds and templates, TTF can moreover repair LLM mistakes. We have implemented TTF in our tool Typos, which we evaluate across 21 input languages, including C, C++, Go, Rust, SystemVerilog, Scala, and Java, as well as libraries such as PyTorch and Qiskit. In a six-month fuzzing campaign, we reported 135 bugs, 128 of which were previously unknown. Perhaps most notably, on average 96% of Typos's mutants are valid, coming close to the validity rates of domain-specific fuzzers. Our evaluation further shows Typos's benefits over the state of the art.
• Abstract（参考訳）: 複雑なインプットでソフトウェアをファジィングすることは、長年にわたる課題だった。 伝統的に、ファジィザは言語制約をプログラムでエンコードし、かなりのエンジニアリング努力を必要とするか、文法や制約を宣言するためにユーザに頼っている。 最近のLCMベースのファジィザはこれらの欠点に対処するが、新しい問題を導入する。 テスト生成、スループットの犠牲化、LCMのミス時の不正な入力の生成にLLMを使用する人もいる。 その他には、言語固有のパーサ、静的解析、AST操作ライブラリなどがある。 本稿では,軽量LLMファジリング手法であるTyped Template Fuzzing (TTF)を紹介する。 鍵となるアイデアは、シードをタイプされたテンプレートに変換する前処理ステップでLLMを使用することだ。 型付きテンプレートは、ファジング中に言語固有のパーサー、型チェッカー、さらなるLLMクエリなしで、意味的に認識され、突然変異ベースのファジングを可能にする。 種子とテンプレートの対応を利用して、TLFはLCMの誤りを補うことができる。 我々はTTFをツールTyposに実装し、C、C++、Go、Rust、SystemVerilog、Scala、Javaを含む21の入力言語と、PyTorchやQiskitといったライブラリを評価しました。 6ヶ月のファジィキャンペーンで135のバグを報告しました。 おそらく最も顕著なのは、Typosの変異体の96%が有効であり、ドメイン固有のファザーの有効率に近いことである。 我々の評価は、タイポスの最先端に対する利益をさらに示している。

関連論文リスト

• Large Language Model Hacking: Quantifying the Hidden Risks of Using LLMs for Text Annotation [66.84286617519258]
  大規模言語モデルは、データアノテーションやテキスト分析といった労働集約的なタスクの自動化を可能にすることで、社会科学の研究を変革している。 このような変異は、系統的なバイアスやランダムなエラーを導入し、下流の分析に伝播し、タイプI(偽陽性)、タイプII(偽陰性)、タイプS(重み付け効果)、タイプM(誇張効果)のエラーを引き起こす。 意図的なLSMハッキングは驚くほど単純であることがわかった。21の社会科学研究から37のデータアノテーションタスクを複製することで、ほんのわずかのプロンプトの言い回しで、事実上何であれ統計的に重要なものとして表現できることがわかりました。
  論文  参考訳（メタデータ） (2025-09-10T17:58:53Z)
• May the Feedback Be with You! Unlocking the Power of Feedback-Driven Deep Learning Framework Fuzzing via LLMs [20.03968975178177]
  ファズテスト(ファズテスト、fuzzing)は、ディープラーニング(DL)フレームワークのバグを見つけるための、シンプルで効果的な方法である。 本稿では,LLM(Large Language Model)とLLM(Generation LLM)という2つの大言語モデル(LLM)からなるフィードバック情報を効果的に活用するFUELを提案する。 FUELはPyTorchのラインコードカバレッジを改善し、最先端のベースラインよりも9.15%、14.70%向上できることを示す。
  論文  参考訳（メタデータ） (2025-06-21T08:51:53Z)
• Low-Cost and Comprehensive Non-textual Input Fuzzing with LLM-Synthesized Input Generators [25.199440800244442]
  非テキスト入力に対する文法認識ファジィ化を実現するための新しい手法を提案する。 LLMは入力ジェネレータの合成と変更に長け、ローカルオプティマからのジャンプを可能にする。 G2FUZZはAFL++、Fuzztruction、FormatFuzzerといったSOTAツールよりもコードカバレッジとバグ発見の点で優れている。
  論文  参考訳（メタデータ） (2025-01-31T16:45:16Z)
• Your Fix Is My Exploit: Enabling Comprehensive DL Library API Fuzzing with Large Language Models [49.214291813478695]
  AIアプリケーションで広く使用されているディープラーニング(DL)ライブラリは、オーバーフローやバッファフリーエラーなどの脆弱性を含むことが多い。 従来のファジィングはDLライブラリの複雑さとAPIの多様性に悩まされている。 DLライブラリのためのLLM駆動ファジィ手法であるDFUZZを提案する。
  論文  参考訳（メタデータ） (2025-01-08T07:07:22Z)
• Understanding and Mitigating Language Confusion in LLMs [76.96033035093204]
  我々は,既存の英語および多言語プロンプトを用いた15の型的多様言語の評価を行った。 Llama Instruct と Mistral のモデルでは,言語的混乱の度合いが高いことがわかった。 言語混乱は,数発のプロンプト,多言語SFT,選好調整によって部分的に緩和できることがわかった。
  論文  参考訳（メタデータ） (2024-06-28T17:03:51Z)
• LLAMAFUZZ: Large Language Model Enhanced Greybox Fuzzing [7.053792014464016]
  特殊なファジィザは複雑な構造化データを扱うことができるが、文法にさらなる努力が必要であり、低スループットに悩まされる。 本稿では,構造化データに対するグレーボックスファジングを強化するために,Large Language Modelを活用する可能性について検討する。 LLMベースのファザであるLLAMAFUZZは、LLMのパワーを統合して、構造化データをファザリングに理解し、変更する。
  論文  参考訳（メタデータ） (2024-06-11T20:48:28Z)
• The Ups and Downs of Large Language Model Inference with Vocabulary Trimming by Language Heuristics [74.99898531299148]
  本研究は,興味のある言語への埋め込みエントリを制限し,時間と記憶効率を高めることによる語彙トリミング(VT)について検討する。 Unicodeベースのスクリプトフィルタリングとコーパスベースの選択という2つの言語を異なる言語ファミリやサイズに適用する。 その結果、VTは小型モデルのメモリ使用量を50%近く削減し、生成速度が25%向上した。
  論文  参考訳（メタデータ） (2023-11-16T09:35:50Z)
• LM-Polygraph: Uncertainty Estimation for Language Models [71.21409522341482]
  不確実性推定(UE)手法は、大規模言語モデル(LLM)の安全性、責任性、効果的な利用のための1つの経路である。 テキスト生成タスクにおけるLLMの最先端UEメソッドのバッテリを実装したフレームワークであるLM-PolygraphをPythonで統一したプログラムインタフェースで導入する。 研究者によるUEテクニックの一貫した評価のための拡張可能なベンチマークと、信頼スコア付き標準チャットダイアログを強化するデモWebアプリケーションを導入している。
  論文  参考訳（メタデータ） (2023-11-13T15:08:59Z)

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。