机构名称：
¥ 1.0
根本原因分析（RCA）对于从模糊结果中发现疾病至关重要。通过在模糊过程中观察到的崩溃来自动化此过程，被认为是具有挑战性的。特别是，已知当今的统计RCA方法非常慢，通常需要数十个小时甚至一周的时间来分析崩溃。此问题来自此类方法的偏差采样。更具体地说，如果输入引起了程序中的崩溃，这些方法通过将其突变以生成新的测试用例，以围绕输入进行样式。这些情况用于模糊程序，希望可以充分采样原始输入的执行路径上的一组程序元素（块，指令或谓词），以便可以确定它们与崩溃的相关性。此过程倾向于生成输入样本，更可能导致崩溃，其执行路径涉及一组类似的元素，而这些元素变得越来越不可分割，直到已经进行了大量样品。我们发现，可以通过对“反例”进行抽样来有效地解决此问题，这会导致当前相关性估计值发生重大变化。这些输入尽管仍然涉及这些元素通常不会导致崩溃。发现它们在区分程序元素中有效，从而加速了RCA过程。基于局面，我们设计并实施了增强学习（RL）技术，以奖励涉及反例的操作。通过平衡随机抽样与反例上的综合采样，我们的新方法（称为r a c ing）被证明可以实质上提高当今统计RCA的可伸缩性和准确性，从而超过最终的最大程度的命令。
在负力上竞争：有效的脆弱性root- ...
主要关键词
相关文件推荐
