Buchumschlag

The Seeds of the FUTURE Sprout from History: Fuzzing for Unveiling Vulnerabilities in Prospective Deep-Learning Libraries

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Zhiyuan, Wu, Jingzheng, Ling, Xiang, Luo, Tianyue, Rui, Zhiqing, Wu, Yanjun
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

When Large Language Models Confront Repository-Level Automatic Program Repair: How Well They Done?
von: Chen, Yuxiao, et al.
Veröffentlicht: (2024)

Correct Code, Vulnerable Dependencies: A Large Scale Measurement Study of LLM-Specified Library Versions
von: Wang, Chengjie, et al.
Veröffentlicht: (2026)

A Large Scale Empirical Analysis on the Adherence Gap between Standards and Tools in SBOM
von: Wang, Chengjie, et al.
Veröffentlicht: (2026)

Version-level Third-Party Library Detection in Android Applications via Class Structural Similarity
von: Zhou, Bolin, et al.
Veröffentlicht: (2025)

Triggering and Detecting Exploitable Library Vulnerability from the Client by Directed Greybox Fuzzing
von: Zhao, Yukai, et al.
Veröffentlicht: (2026)

Peeling Off the Cocoon: Unveiling Suppressed Golden Seeds for Mutational Greybox Fuzzing
von: Qian, Ruixiang, et al.
Veröffentlicht: (2026)

Fuzzing Automatic Differentiation in Deep-Learning Libraries
von: Yang, Chenyuan, et al.
Veröffentlicht: (2023)

MoCo: Fuzzing Deep Learning Libraries via Assembling Code
von: Ji, Pin, et al.
Veröffentlicht: (2024)

TransferFuzz: Fuzzing with Historical Trace for Verifying Propagated Vulnerability Code
von: Li, Siyuan, et al.
Veröffentlicht: (2024)

Vulseye: Detect Smart Contract Vulnerabilities via Stateful Directed Graybox Fuzzing
von: Liang, Ruichao, et al.
Veröffentlicht: (2024)

Feature Slice Matching for Precise Bug Detection
von: Ma, Ke, et al.
Veröffentlicht: (2025)

Selecting Initial Seeds for Better JVM Fuzzing
von: Gao, Tianchang, et al.
Veröffentlicht: (2024)

LLM-Powered Silent Bug Fuzzing in Deep Learning Libraries via Versatile and Controlled Bug Transfer
von: Zhang, Kunpeng, et al.
Veröffentlicht: (2026)

Evaluating the Effectiveness of Coverage-Guided Fuzzing for Testing Deep Learning Library APIs
von: Qin, Feiran, et al.
Veröffentlicht: (2025)

Ensemble Fuzzing with Dynamic Resource Scheduling and Multidimensional Seed Evaluation
von: Zhao, Yukai, et al.
Veröffentlicht: (2025)

Bug Histories as Sources of Compiler Fuzzing Mutators
von: Liu, Lingjun, et al.
Veröffentlicht: (2025)

FuzzAgent: Multi-Agent System for Evolutionary Library Fuzzing
von: Lyu, Yunlong, et al.
Veröffentlicht: (2026)

XMutant: XAI-based Fuzzing for Deep Learning Systems
von: Chen, Xingcheng, et al.
Veröffentlicht: (2025)

GRACE: Globally-Seeded Representation-Aware Cluster-Specific Evolution for Compiler Auto-Tuning
von: Pan, Haolin, et al.
Veröffentlicht: (2025)

ISC4DGF: Enhancing Directed Grey-box Fuzzing with LLM-Driven Initial Seed Corpus Generation
von: Xu, Yijiang, et al.
Veröffentlicht: (2024)

ChainFuzzer: Greybox Fuzzing for Workflow-Level Multi-Tool Vulnerabilities in LLM Agents
von: Wu, Jiangrong, et al.
Veröffentlicht: (2026)

May the Feedback Be with You! Unlocking the Power of Feedback-Driven Deep Learning Framework Fuzzing via LLMs
von: Yang, Shaoyu, et al.
Veröffentlicht: (2025)

Context-Aware Fuzzing for Robustness Enhancement of Deep Learning Models
von: Wang, Haipeng, et al.
Veröffentlicht: (2024)

MirrorFuzz: Leveraging LLM and Shared Bugs for Deep Learning Framework APIs Fuzzing
von: Ou, Shiwen, et al.
Veröffentlicht: (2025)

Fixing Security Vulnerabilities with AI in OSS-Fuzz
von: Zhang, Yuntong, et al.
Veröffentlicht: (2024)

Smart Contract Fuzzing Towards Profitable Vulnerabilities
von: Kong, Ziqiao, et al.
Veröffentlicht: (2025)

FuzzySQL: Uncovering Hidden Vulnerabilities in DBMS Special Features with LLM-Driven Fuzzing
von: Chen, Yongxin, et al.
Veröffentlicht: (2026)

RandSet: Randomized Corpus Reduction for Fuzzing Seed Scheduling
von: Xie, Yuchong, et al.
Veröffentlicht: (2026)

Harnessing Large Language Models for Seed Generation in Greybox Fuzzing
von: Shi, Wenxuan, et al.
Veröffentlicht: (2024)

Large Language Models Based JSON Parser Fuzzing for Bug Discovery and Behavioral Analysis
von: Zhong, Zhiyuan, et al.
Veröffentlicht: (2024)

MicroFuzz: An Efficient Fuzzing Framework for Microservices
von: Di, Peng, et al.
Veröffentlicht: (2024)

Tumbling Down the Rabbit Hole: How do Assisting Exploration Strategies Facilitate Grey-box Fuzzing?
von: Wu, Mingyuan, et al.
Veröffentlicht: (2024)

Low-Cost and Comprehensive Non-textual Input Fuzzing with LLM-Synthesized Input Generators
von: Zhang, Kunpeng, et al.
Veröffentlicht: (2025)

Fuzz Smarter, Not Harder: Towards Greener Fuzzing with GreenAFL
von: Ercevik, Ayse Irmak, et al.
Veröffentlicht: (2025)

WuppieFuzz: Coverage-Guided, Stateful REST API Fuzzing
von: Rooijakkers, Thomas, et al.
Veröffentlicht: (2025)

Uses of Active and Passive Learning in Stateful Fuzzing
von: Daniele, Cristian, et al.
Veröffentlicht: (2024)

Harnessing LLMs for Document-Guided Fuzzing of OpenCV Library
von: Duan, Bin, et al.
Veröffentlicht: (2025)

SimFuzz: Similarity-guided Block-level Mutation for RISC-V Processor Fuzzing
von: Lyu, Hao, et al.
Veröffentlicht: (2026)

LLAMA: Multi-Feedback Smart Contract Fuzzing Framework with LLM-Guided Seed Generation
von: Gai, Keke, et al.
Veröffentlicht: (2025)

DocTer: Documentation Guided Fuzzing for Testing Deep Learning API Functions
von: Xie, Danning, et al.
Veröffentlicht: (2021)