PyTorchKR Papers

최신 논문

총 7편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.23889v3cs.CR

SyzHarness: LLM 합성 퍼징 하네스를 활용한 패치 기반 커널 버그 재현

SyzHarness: Patch-Based Kernel Bug Reproduction with LLM-Synthesized Fuzzing Harnesses

자동화된 커널(kernel) 취약점 재현은 버그 분류, 패치 검증(validation), 회귀 테스트에 필수적이지만, 여전히 효과적이고 효율적인 해결책이 부족합니다. 핵심 과제는 두 가지입니다. 재현기는 먼저 취약한 상태에 도달하는 데 필요한 트리거 스캐폴드(trigger scaffold)를 복구해야 하며, 실제로 버그를 유발하는 정확한 구체적 값들을 결정해야 합니다. 기존의 지향성 퍼징(directed fuzzing) 방식은 필요한 트리거 스캐폴드를 복구하는 데 비효과적이며, 대규모 언어 모델(LLM) 전용 생성은 구체적 값 탐색 및 런타임 비결정론을 처리하는 데 어려움을 겪어 불안정합니다. 본 논문에서는 패치 기반 Linux 커널 취약점 재현을 위해 LLM 추론과 커버리지 유도 퍼징(coverage-guided fuzzing)을 결합한 프레임워크인 SyzHarness를 설계합니다. 패치가 주어지면, SyzHarness는 코드 탐색 도구로 그라운딩(grounding)된 LLM 에이전트(agent)를 사용하여 필수 전제 설정 로직은 고정하고 Syzkaller가 변이할 수 있도록 불확실하고 버그에 중요한 입력 파라미터만 노출하는 매개변수화된 퍼징 하네스를 합성합니다. 그런 다음 SyzHarness는 이 하네스를 Syzkaller 호환 인터페이스로 변환하고 계층적 도달 가능성 피드백을 사용하여 반복적으로 개선합니다. 저자들은 트리거 가능한 실제 Linux 커널 취약점의 여러 데이터셋(dataset)에서 SyzHarness를 평가합니다. 100개의 KernelCTF 사례에서 SyzHarness는 78%의 버그 재현 성공률을 달성합니다. SyzDirect 벤치마크(benchmark)에서 SyzHarness는 73%의 버그 재현 성공률을 기록하여 이전의 지향성 그레이박스 퍼징보다 실질적으로 우수한 성능을 보입니다. 2026년 3월 이후 수정된 최근의 트리거 가능한 50개 syzbot 버그에 대해, SyzHarness는 수정 커밋만을 입력으로 사용하여 40/50(80%)을 재현합니다.

arXiv:2607.02345v1cs.SE

SkillFuzz: Fuzzing Skill Composition for Implicit Intents Discovery in Open Skill Marketplaces

오픈 스킬 마켓플레이스에서 개별적으로 안전한 LLM 에이전트 스킬들이 함께 활성화될 때 의도치 않은 목표(암묵적 의도, implicit intent)를 유발하는 문제를 다루며, 이를 실행 환경 없이 탐지하기 위해 스킬 계약(skill contract) 추출과 Monte Carlo Tree Search 기반의 퍼징(fuzzing) 기법인 SkillFuzz를 제안한다. 고정된 쿼리 예산 내에서 1,000개 이상의 암묵적 의도를 발견하고 상위 위험 조합의 80% 이상을 실행 시 검증하여 기존 탐색 전략 대비 높은 위험도의 암묵적 의도를 더 많이 식별하였다.

arXiv:2606.28403v1cs.SE

Reinforcement Learning for Software Vulnerability Analysis: A Systematic Review with Emphasis on C/C++ Source Code and Static Analysis

Vulnerability detection in C/C++ software remains a major security challenge due to code complexity, manual memory management, and the limitations of traditional static analysis. Reinforcement Learning (RL) has emerged as a promising approach, particularly for fuzzing, test generation, program exploration, and, more recently, vulnerability detection and localization. Following PRISMA 2020 guidelines, this work reviews RL techniques for software vulnerability analysis, focusing on C/C++ source code and static analysis. We identified 21 primary studies published between 2015 and 2026 from major scientific databases and complementary searches. We analyze the addressed tasks, algorithms, state-action-reward-environment formulations, code representations, datasets, and evaluation metrics. Results show that 15 studies focus on fuzzing and guided exploration, only 3 on direct vulnerability detection, and just 1 on statement-level localization. Moreover, statically extracted structural representations such as Control Flow Graphs (CFGs) and Abstract Syntax Trees (ASTs) are rarely used as agent states, and benchmarks lack comparability. We propose a task- and formulation-oriented taxonomy and identify a key research gap: the absence of RL agents that use source-code CFGs as states to detect and localize vulnerable nodes.

arXiv:2606.20128v1cs.SE

LLM이 생성한 GPU 커널에서의 정확성 착각

The Correctness Illusion in LLM-Generated GPU Kernels

LLM이 생성한 GPU 커널에 대한 벤치마크(KernelBench, TritonBench, GEAK)는 고정된 형태와 적은 수의 샘플을 사용하는 allclose 스타일 검사를 통해 정확성을 평가합니다. 입력의 개수는 벤치마크마다 다릅니다. 형태(shape), 데이터 타입(dtype), 허용 오차(tolerance)는 각 커널마다 고정됩니다. 우리는 그 오라클을 경험적으로 테스트합니다. 우리는 24개의 Triton 및 CPU 대용 커널(15개의 정답 컨트롤과 문서화된 전사 오류가 시드된 9개의 LLM 스타일 버그 변형)로 구성된 통제된 코퍼스를 구축하고, 고정밀도(fp64) CPU 참조와 연산(op) 및 데이터 타입(dtype)별 절대 허용 오차를 사용하는 연산 스키마 인식 시드 기반 퍼징 하에서 이를 재평가합니다. 시드된 오라클은 9개의 버그 커널을 모두 탐지하고 15개의 정답 컨트롤을 모두 통과시키며, 컨트롤에 대한 정밀도 비용은 0입니다. 우리는 코퍼스를 26개 연산으로 확장(flash-attention 쌍 추가)하고 5개 GPU 클래스(RTX 3060, A10, L40S, A100 SXM4, H100 NVL)에서 동일한 프로토콜을 다시 실행합니다. 결과는 5개 GPU 모두에서 동일합니다: 10개의 착각이 모두 포착되었고 16개의 컨트롤은 모두 오류가 없었습니다. 코퍼스 결과는 단일 형태 allclose 오라클이 정답으로 인증하는 LLM 스타일 전사 버그에 대한 것이지, 특정 배포된 LLM의 버그율에 대한 것이 아닙니다. 탐지된 모든 실패는 저장된 시드에서 바이트 단위로 정확히 재현됩니다.

arXiv:2606.19149v1cs.CR

OpenAnt: 코드 분해, 적대적 검증, 동적 테스트를 통한 LLM 기반 취약점 발견

OpenAnt: LLM-Powered Vulnerability Discovery Through Code Decomposition, Adversarial Verification, and Dynamic Testing

대규모 코드베이스에서의 자동화된 취약점 발견은 여전히 어려운 과제입니다. 전통적인 정적 분석은 높은 오탐율을 생성하고, 퍼징(fuzzing)과 같은 동적 접근법은 상당한 인프라를 필요로 하며 종종 좁은 범위의 버그만을 대상으로 합니다. 대규모 언어 모델(LLM)의 최근 발전은 프로그램 동작에 대한 의미론적 추론을 가능하게 하지만, 저장소 규모의 보안 분석에 LLM을 적용하는 것은 컨텍스트 관리, 비용, 검증과 관련된 문제를 야기합니다. 우리는 정적 프로그램 분석을 다단계 파이프라인에서 LLM 기반 추론과 통합하는 오픈소스 취약점 발견 시스템인 OpenAnt를 소개합니다. OpenAnt는 세 가지 핵심 기술을 도입합니다. 첫째, 코드베이스는 외부 진입점으로부터의 도달 가능성에 따라 필터링된 자체 포함 분석 단위로 분해되어, 공격 관련 코드를 보존하면서 분석 대상 범위를 최대 97%까지 감소시킵니다. 둘째, 후보 취약점은 제한된 공격자 시뮬레이션을 통해 적대적 검증을 거치며, 여기서 모델은 현실적인 공격자 능력 하에서 악용 가능성을 평가합니다. 셋째, 발견 사항은 동적 검증을 통해 검증되며, 여기서 익스플로잇 환경은 자동으로 생성되고 샌드박스 컨테이너에서 실행된 후 사용 후 폐기됩니다. OpenSSL, WordPress, Flowise를 포함한 널리 사용되는 오픈소스 프로젝트에 대한 평가 결과, 이 아키텍처는 관리 가능한 분석 비용을 유지하고 오탐을 실질적으로 줄이면서 이전에 알려지지 않은 취약점을 식별할 수 있음을 보여줍니다. 우리의 결과는 의미론적 추론과 익스플로잇 검증을 결합한 폐루프(closed-loop) 취약점 발견 파이프라인이 확장 가능한 자동화된 보안 분석을 위한 실용적인 경로를 제공함을 시사합니다. OpenAnt는 Apache 2.0 라이선스 하에 https://github.com/knostic/OpenAnt에서 오픈소스로 공개됩니다.

arXiv:2606.18619v1cs.CR

Code-Augur: 명세 추론을 통한 에이전트 기반 취약점 탐지

Code-Augur: Agentic Vulnerability Detection via Specification Inference

Code-Augur는 LLM 에이전트가 안전하다고 판단한 구성 요소의 로컬 불변성을 보안 명세(security specifications)로 소스 내 어설션에 남기고, 가이드 퍼저(guided fuzzer)의 런타임 반증(runtime falsification)으로 가정을 검증·정제하는 보안 명세 우선 패러다임을 제안한다. 실제 코드베이스에서 최신 에이전트 기반 탐지기보다 더 많은 취약점을 찾았고, 주요 오픈소스 프로젝트에서 22건의 신규 취약점을 발견했다.

arXiv:2606.17283v1cs.CR

ARVO: 오픈 소스 소프트웨어를 위한 재현 가능한 취약점 아틀라스

ARVO: Atlas of Reproducible Vulnerabilities for Open-Source Software

취약점 데이터셋(dataset)에서 재현성, 양, 다양성을 달성하는 것은 오랫동안 본질적인 세 가지 상충 관계(trade-off)로 여겨져 왔으며, 이 중 하나를 개선하는 것은 종종 다른 것을 희생하는 대가를 치러야 하는 일이었습니다. 실제로는 재현성이 가장 자주 간과되어 온 차원입니다. 이는 과거 버그 데이터셋에서 자동으로 추출할 수 있는 정보를 제한했고, 하위(downstream) 보안 연구에서의 데이터셋 유용성을 저하시켰습니다. 본 연구에서는 대규모 버그 재현의 주요 장애물을 식별하고 이를 일반적인 솔루션으로 해결함으로써, 다양한 취약점에 대해 대규모로 재현성을 보장하는 새로운 보안 데이터셋을 생성하는 방법을 제안합니다. 이 방법을 사용하여 가장 큰 오픈 소스 소프트웨어 취약점 데이터셋인 OSS-Fuzz에 완전한 재현성을 도입하고, ARVO 데이터셋(오픈 소스 소프트웨어의 재현 가능한 취약점 아틀라스)을 구축했습니다. ARVO는 311개 프로젝트에 걸쳐 6,100개 이상의 실제 취약점으로 구성된 대규모 데이터셋입니다. 재현성에 초점을 맞춘 ARVO는 기존 데이터셋과 달리 각 취약점을 버전 간에 일관되게 재구축, 트리거, 분석할 수 있는 형태로 제공합니다. 또한 재현성을 통해 각 취약점에 대응하는 패치를 자동으로 식별할 수 있으며, 코드 변경 후 취약점과 직접 상호작용하는 것을 지원합니다. 이는 기존 대규모 데이터셋에서는 제공되지 않는 기능입니다. 평가 결과 ARVO는 취약점의 81%를 성공적으로 재현했으며, 식별된 패치에 대해 89.4%의 정확도를 달성했습니다. 또한 ARVO가 상류(upstream) 관행과 하위 보안 연구에 미치는 영향에 대해 논의합니다.