Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind1. April 2025 · Q005776

Effective Kernel Fuzzing with Learned White-box Test Mutators

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vorliegende Abstract-Auszug beschreibt Snowplow, einen Kernel-Fuzzer, dessen trainierter Mutator Testargumente passend zu einer gewünschten Codeabdeckung verändern soll. Laut Text erzielte das System in den beschriebenen Linux-Auswertungen mehr Abdeckung, fand 86 zuvor unbekannte Abstürze und erreichte bestimmte Codeziele schneller; Details zu Versuchsaufbau und Vergleichsbedingungen fehlen im Auszug.

Mittel

Der vorliegende Text ist ein Abstract-Auszug, kein vollständiger Bericht. Er stellt Snowplow vor, einen Kernel-Fuzzer mit einem trainierten White-box-Mutator, der erfolgversprechende Änderungen an Tests anhand des Programms, seiner Kernel-Codeabdeckung und einer gewünschten Abdeckung vorhersagen soll. Beschrieben werden Argumentänderungen in Kerneltests und eine Evaluation auf neueren Linux-Versionen.

Laut Abstract fand Snowplow in 24-stündigen Läufen neue Codeabdeckung 4,8- bis 5,2-mal schneller und erzielte insgesamt 7,0 bis 8,6 Prozent mehr Abdeckung. Eine siebentägige Kampagne habe 86 zuvor unbekannte Abstürze aufgedeckt. Beim gerichteten Fuzzing seien 19 Zielpositionen 8,5-mal schneller erreicht und zwei zusätzliche Ziele gefunden worden, die der Vergleichs-Fuzzer verfehlte.

Der Auszug liefert keine Einzelheiten zu Versuchsaufbau, Vergleichsbedingungen oder konkreten Kernelversionen. Daher lassen sich die Ergebnisse und ihre Übertragbarkeit anhand des Abstracts allein nicht genauer beurteilen.

Ausführlich lesen

Der vorliegende Quelltext ist ein Auszug aus dem Abstract einer Veröffentlichung zu Kernel-Fuzzing, kein vollständiger Bericht. Er stellt Snowplow vor, einen Kernel-Fuzzer, der Testprogramme mithilfe eines trainierten White-box-Mutators verändern soll. Kernel-Fuzzer erzeugen aus vorhandenen Tests neue Programme, etwa indem sie Systemaufrufe einfügen oder Argumentwerte ändern. Laut Abstract ist es wegen der Komplexität des Kernels und seiner Schnittstelle schwierig, mit solchen Änderungen gezielt die Abdeckung zu erhöhen oder bestimmte Codebereiche zu erreichen; auch manuell entwickelte Heuristiken lösten dieses Problem demnach nicht ausreichend.

Snowplows Modell soll erfolgversprechende Änderungen anhand des zu mutierenden Testprogramms, seiner Kernel-Codeabdeckung und einer gewünschten Abdeckung vorhersagen. Die beschriebene Umsetzung und Evaluation konzentrieren sich auf Änderungen von Argumenten in Kerneltests und auf neuere Linux-Versionen.

Für 24-stündige Fuzzing-Läufe berichtet der Abstract von einer 4,8- bis 5,2-fach höheren Geschwindigkeit beim Finden neuer Abdeckung sowie einer insgesamt um 7,0 bis 8,6 Prozent größeren Abdeckung. In einer siebentägigen Kampagne habe Snowplow 86 zuvor unbekannte Abstürze gefunden. Beim gerichteten Kernel-Fuzzing soll der Ansatz 19 Ziel-Codepositionen 8,5-mal schneller erreicht und zwei weitere Positionen gefunden haben, die der dortige Vergleichs-Fuzzer verfehlte.

Der Auszug nennt jedoch keine näheren Angaben zu Versuchsaufbau, Vergleichsbedingungen, Streuung oder den konkreten Linux-Versionen. Die Ergebnisse beziehen sich auf die dargestellten Auswertungen; aus dem Abstract allein lassen sich weder Details der Methode noch eine allgemeine Übertragbarkeit beurteilen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Tempo und Grenzen

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →