Fuzzing BusyBox: Leveraging LLM and Crash Reuse for Embedded Bug Unearthing
针对嵌入式设备中广泛使用的BusyBox的漏洞问题,提出利用LLM生成目标特定初始种子增强模糊测试、复用相似目标崩溃数据的两种技术,无需传统模糊测试即可在最新BusyBox中发现崩溃,提升嵌入式漏洞检测效率。
2024-03-06 cs.CR cs.SE
FuzzSplore: Visualizing Feedback-Driven Fuzzing Techniques
模糊测试技术是当前针对安全问题的软件测试的发展趋势。它们的巨大有效性吸引了研究人员和黑客的注意,并使他们参与开发许多新技术来改进模糊测试。这些技术的评价和交叉比较几乎是一个开放的问题。在本文中,我们提出了一个人驱动的方法来解决这个问题的基础上信息可视化。我们在AFL++模糊框架FuzzSplore上开发了一个原型,分析师可以使用它来获得有关应用于特定目标的不同模糊配置的有用见解,以便在模糊活动期间选择或调整最佳技术。
2021-02-06 cs.CR cs.SE
Side-Channel Aware Fuzzing
软件测试正在成为嵌入式设备开发周期的关键部分,从而实现漏洞检测。一种被广泛研究的软件测试方法是模糊测试(fuzzing),在此过程中,将变异的输入发送到输入处理软件,同时监视其行为。目标是识别程序中由格式错误的输入触发的错误状态。即使这种技术被广泛执行,模糊不能应用到嵌入式设备的全部范围。由于缺乏足够强大的I/O功能或操作系统,无法获取模糊化所需的反馈。在本文中,我们提出并评估了一种新的方法来提取反馈的模糊嵌入式设备上使用的信息的功耗泄漏。侧信道感知模糊是一个三重过程,通过向目标设备发送输入并测量其功耗来启动。首先,我们使用机器学习算法从目标设备的电源轨迹中提取特征。随后,我们使用的功能来重建的代码结构的分析固件。在最后一步中,我们计算输入的分数,它与代码覆盖率成正比。我们通过模糊合成软件和在ARM Cortex-M4微控制器上运行的轻量级AES实现来进行概念验证。我们的研究结果表明,功率侧信道携带的信息相关的模糊。
2019-08-14 cs.CR
Facilitating Parallel Fuzzing with mutually-exclusive Task Distribution
模糊测试,或称模糊测试,已经成为软件工业中错误发现的事实标准技术之一。一般来说,模糊处理向目标程序提供各种输入,以发现未处理的异常和崩溃。在时间预算有限的业务部门,软件供应商通常并行启动许多模糊实例,作为增加代码覆盖率的常用方法。然而,大多数流行的模糊工具在并行模式下都是单纯地并发运行多个实例,而没有详细的工作负载分配。这可能导致不同的实例探索重叠的代码区域,最终减少并发的好处。在本文中,我们提出了一个通用的模型来描述并行模糊。该模型将互斥但权重相似的任务分配给不同的实例,促进了并发性和实例间的公平性。根据这个模型,我们开发了一个解决方案,称为AFL-EDGE,以改善AFL的并行模式,考虑一轮突变到一个唯一的种子作为一个任务,并采用边缘覆盖来定义一个种子的唯一性。我们已经在AFL之上实现了AFL-EDGE,并在9个广泛使用的基准程序上评估了AFL的实现情况。这表明AFL-EDGE可以提高AFL的边缘覆盖率。在24小时的测试中,根据实例数量的不同,AFL-EDGE给AFL带来的边缘覆盖率提升幅度在9.49%到10.20%之间。作为一个附带的好处,我们发现了14个以前未知的bug。
2021-09-17 cs.CR cs.SE
Verifying Software Vulnerabilities in IoT Cryptographic Protocols
物联网(IoT)是由大量智能设备通过网络连接而成的系统。这些设备的数量正在迅速增加,这创建了一个庞大而复杂的网络,其中包含通过该网络传输的大量数据。一种在传输中保护此数据的方法,即,实现数据机密性的方法是对物联网协议使用轻量级加密算法。然而,这种协议的设计和实现是一项容易出错的任务;实现中的缺陷可能导致破坏性的安全漏洞。攻击者可以利用这些漏洞并影响用户的隐私。存在各种技术来验证软件和检测漏洞。有界模型检验(BMC)和Fuzzing是检验软件系统规范正确性的有效技术。在这里,我们描述了一个框架,称为加密BMC和Fuzzing(EBF)使用组合BMC和Fuzzing技术。我们评估了EBF验证框架的应用案例研究,即,S-MQTT协议,用于检查物联网加密协议中的安全漏洞。
2020-01-27 cs.CR cs.SE
SPIDER: Fuzzing for Stateful Performance Issues in the ONOS Software-Defined Network Controller
本文提出SPIDER模糊测试框架,利用ONOS控制器的事件驱动模块化架构和静态依赖分析,针对157个网络服务识别有状态性能问题,发现10个新性能缺陷。
2025-02-07 cs.CR
Point Intervention: Improving ACVP Test Vector Generation Through Human Assisted Fuzzing
本研究提出一种人工辅助的混合模糊测试系统,可生成覆盖全面的ACVP格式加密测试向量,支持安全便捷地构建测试模块,已用于改进NSS库测试、检测漏洞并推动ACVP格式优化。
2024-07-11 cs.CR
FuzzDistill: Intelligent Fuzzing Target Selection using Compile-Time Analysis and Machine Learning
University of Virginia(弗吉尼亚大学)
针对模糊测试在大规模代码库中耗时久、资源消耗大的问题,提出FuzzDistill方法,结合编译时信息分析与机器学习筛选高优先级测试目标,可大幅缩短真实软件的测试时间。
2024-12-11 cs.CR cs.LG cs.SE
TheHuzz: Instruction Fuzzing of Processors Using Golden-Reference Models for Finding Software-Exploitable Vulnerabilities
现代处理器的日益复杂性对现有的用于检测安全关键错误的硬件验证工具和方法提出了许多挑战。最近对处理器的攻击已经表明了发现和利用硬件漏洞的致命后果。Fuzzing已经成为一种很有前途的检测软件漏洞的技术。最近,一些硬件模糊技术已被提出。然而,它们受到几个限制,包括不适用于常用的硬件描述语言(HDL),如Verilog和VHDL,需要大量的人为干预,以及无法捕获许多固有的硬件行为,如信号转换和浮动线。在本文中,我们提出了一种新的硬件模糊器,TheHuzz,克服了上述限制,并显着提高了最先进的状态的设计和实现。我们分析了HDL中的硬件设计的内在行为,然后测量覆盖率的度量模型,这种行为。TheHuzz生成汇编级指令来增加所需的覆盖率值,从而发现许多可从软件中利用的硬件错误。我们在四个流行的开源处理器上评估了TheHuzz,与行业标准的随机回归方法和最先进的硬件模糊器DiffuzRTL相比,分别实现了1.98倍和3.33倍的速度。使用TheHuzz,我们在这些处理器中检测到11个漏洞,包括8个新漏洞,我们使用检测到的漏洞演示了漏洞利用。我们还表明,TheHuzz克服了半导体行业的形式化验证工具的局限性,通过比较其发现的Cadence JasperGold工具。
2022-01-24 cs.AR cs.CR cs.SE
SoK: Where to Fuzz? Assessing Target Selection Methods in Directed Fuzzing
本文首次全面分析模糊测试的目标选择方法,通过建模评分函数在OSS-Fuzz的1600+崩溃案例上验证,发现简单软件指标优于启发式方法,语言模型也具前景,强调目标选择是提升定向模糊测试性能的关键正交维度。
2025-02-12 cs.CR cs.SE
Following Dragons: Code Review-Guided Fuzzing
The University of Melbourne(墨尔本大学)
EyeQ通过利用代码审查中的开发者智能,指导模糊测试以发现更多安全关键的漏洞。
2026-02-11 cs.CR cs.SE
A Survey of Fuzzing Open-Source Operating Systems
Fudan University(复旦大学)
本文综述了开源操作系统模糊测试的技术现状,分类了不同层次的模糊测试方法,并探讨了未来研究方向。
2026-01-19 cs.CR cs.OS cs.SE
FuzzBox: Blending Fuzzing into Emulation for Binary-Only Embedded Targets
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学)
FuzzBox通过整合模拟与模糊测试,在虚拟化环境中动态注入模糊输入,实现故障检测和覆盖率分析,无需源代码重新编译和硬件依赖,适用于工业系统和物联网固件。
2025-09-06 cs.CR cs.SE
DeFuzz: Deep Learning Guided Directed Fuzzing
Swinburne University Of Technology(斯威本科技大学);CSIRO & DATA61(英联邦科学与工业研究组织(CSIRO)& DATA61)
模糊技术是识别潜在软件漏洞的最有效的技术之一。大多数模糊器旨在提高代码覆盖率,并且缺乏直接性(例如,模糊软件中的指定路径)。本文提出了一种基于深度学习(DL)的定向模糊检测方法DeFuzz,用于软件漏洞检测。DeFuzz包括两个主要方案:(1)我们采用预训练的DL预测模型来识别潜在的脆弱函数和位置(即,易受攻击的地址)。准确地说,我们使用Bidirectional-LSTM(BiLSTM)来识别注意词,并且漏洞与函数中的这些注意词相关联。(2)然后,我们通过生成倾向于到达预测位置的输入,直接采用模糊化来模糊潜在的漏洞。为了评估所提出的DeFuzz技术的有效性和实用性,我们在真实世界的数据集上进行了实验。实验结果表明,我们的DeFuzz可以发现覆盖比AFL更多,更快。此外,DeFuzz在真实世界的应用程序中比AFL多暴露了43个错误。
2020-10-23 cs.CR cs.LG
Fuzzing+Hardware Performance Counters-Based Detection of Algorithm Subversion Attacks on Post-Quantum Signature Schemes
NIST正在标准化后量子密码学(PQC)算法,这些算法对量子计算机的计算能力具有弹性。过去的作品显示恶意颠覆加密软件(算法颠覆攻击),削弱了实现。我们表明,PQC数字签名代码可以被颠覆,与以前报道的有缺陷的实现,生成可验证的,但不太安全的签名,证明了这种攻击的风险。由于所有处理器都具有内置的硬件性能计数器(HPC),因此存在提出使用HPC指纹对软件进行基于低成本机器学习(ML)的完整性检查的大量工作。然而,这种基于HPC的方法可能无法检测PQC码的颠覆。当应用于PQC代码时,极小百分比的定性输入将此准确度提高到98%。我们提出灰盒模糊作为预处理步骤,以获得输入,以帮助基于HPC的方法。
2022-03-13 cs.CR cs.ET cs.SE
Automated Fuzzing Harness Generation for Library APIs and Binary Protocol Parsers
提出一种通过分析单元测试自动生成库API和二进制协议解析器模糊测试驱动程序的系统,并开发指标评估API的模糊测试价值以优先测试目标。
2023-07-02 cs.CR
V-Fuzz: Vulnerability-Oriented Evolutionary Fuzzing
Fuzzing是一种通过使用大量异常输入反复执行软件来发现错误的技术。现有的模糊化方法大多对软件的各个部分进行了平等的考虑,过多地关注如何提高代码覆盖率。这是低效的,因为易受攻击的代码只占整个代码的一小部分。在本文中,我们设计并实现了一个面向兼容性的进化模糊原型V-Fuzz,其目的是在有限的时间内有效地发现错误,快速。V-Fuzz由两个主要部分组成:一个基于神经网络的脆弱性预测模型和一个面向能力的进化模糊器。给定一个二进制程序到V-Fuzz,漏洞预测模型将给出一个关于软件的哪些部分更容易受到攻击的先验估计。然后,模糊器利用进化算法来生成倾向于到达脆弱位置的输入,由脆弱性预测结果引导。实验结果表明,V-Fuzz可以发现错误更有效地比国家的最先进的模糊。此外,V-Fuzz已经发现了10个CVE,其中3个是新发现的。我们报告了新的CVE,它们已得到确认和修复。
2019-01-04 cs.CR
FuzzingDriver: the Missing Dictionary to Increase Code Coverage in Fuzzers
我们提出了一个工具,称为FuzzingDriver,从任何目标程序的代码库中生成基于覆盖的灰盒模糊器(CGF)的字典令牌。FuzzingDriver不会向模糊作业添加任何开销,因为它是预先运行的。我们通过模糊六个开源目标将FuzzingDriver与Google字典进行了比较,我们发现FuzzingDriver在所有测试中始终实现了更高的代码覆盖率。我们还在FuzzBench上执行了八个基准测试,以演示如何利用FuzzingDriver的字典胜过六个广泛使用的CGF模糊器。在未来的工作中,调查FuzzingDriver的字典对提高bug覆盖率的影响可能会很重要。视频演示:https://www.youtube.com/watch? v=Y8j_KvfRrI8
2022-01-13 cs.CR
PTrix: Efficient Hardware-Assisted Fuzzing for COTS Binary
尽管它在发现软件缺陷方面很有效,但最好的灰盒模糊器之一美国模糊Lop(AFL)在模糊测试源不可用程序时效率低下。AFL的二进制模糊模式,QEMU-AFL,通常比其源可用模糊模式慢2- 5倍。减速主要是由沉重的动态仪器造成的。最近的模糊技术使用英特尔处理器跟踪(PT),一个轻量级的跟踪功能,支持最新的英特尔CPU,以消除动态仪器的需要。然而,我们发现这些基于PT的模糊技术在模糊真实世界的程序时甚至比QEMU-AFL更慢,使得它们不如QEMU-AFL有效。这种低性能是由于从高度压缩的PT跟踪中提取代码覆盖率信息的速度很慢造成的。在这项工作中,我们提出了PTrix的设计和实现,充分释放PT模糊通过三种新技术的好处。首先,PTrix提出了一种PT跟踪和目标程序执行高度并行的方案。第二,直接将解码后的PT轨迹作为模糊化的反馈,避免了代价高昂的代码覆盖信息重构。第三,PTrix以比基于边缘的代码覆盖更强的反馈来维护新的反馈,这有助于达到AFL可能没有的新代码空间和缺陷。我们评估PTrix通过比较其性能与国家的最先进的模糊。我们的研究结果表明,在相同的时间内,PTrix实现了显着更高的模糊化速度,并达到其他模糊错过的代码区域。此外,PTrix在一组以前模糊化的二进制文件中确定了35个新的漏洞,显示了其补充现有模糊器的能力。
2019-05-25 cs.CR cs.SE
Fuzzing Hardware Like Software
硬件缺陷是永久性的,也是潜在的:硬件一旦制造出来就无法修补,任何缺陷都可能破坏在上面执行的任何软件。因此,验证时间占主导地位的实施时间。硬件设计验证(DV)的黄金标准集中在两个极端:随机动态验证和形式化验证。两者都在努力根除复杂硬件中的微妙缺陷,这些缺陷通常表现为安全漏洞。随机验证的根本问题在于其无向性,这使得其效率低下,而形式化验证受到状态空间爆炸问题的约束,这使得其对复杂设计不可行。我们需要的是一个有方向的解决方案,但不受约束。而不是对现有的DV方法进行增量改进,我们利用现有的软件模糊器已经提供了这样的解决方案,并使其适应硬件DV的观察。具体来说,我们将RTL硬件转换为软件模型并模糊该模型。我们解决的主要挑战是如何最好地减轻硬件执行模型和软件执行模型之间的差异。这包括:1)如何表示测试用例,2)什么是崩溃的硬件等价物,3)什么是适当的覆盖度量,以及4)如何为硬件创建通用的模糊化工具。为了评估我们的方法,我们模糊四个IP块从谷歌的OpenTitan SoC。我们的实验表明,减少了两个数量级的运行时间,以实现有限状态机(FSM)覆盖传统的动态验证方案。此外,通过我们的设计不可知的线束,我们在四分之三的设计中实现了超过88%的HDL线覆盖率-即使没有任何初始种子。
2021-02-03 cs.AR cs.CR
Same Coverage, Less Bloat: Accelerating Binary-only Fuzzing with Coverage-preserving Coverage-guided Tracing
覆盖率引导的模糊测试的积极性,高容量的测试已经帮助揭示了数以万计的软件安全缺陷。虽然执行数十亿个测试用例要求快速的代码覆盖跟踪,但仅二进制目标的性质导致跟踪性能降低。二进制模糊性能的最新进展是覆盖引导跟踪(CGT),它通过将覆盖跟踪的费用限制为仅在保证新覆盖时才进行,从而带来吞吐量的数量级增益。不幸的是,CGT只适合基本的块覆盖粒度--然而大多数模糊器需要更细粒度的覆盖度量:边缘覆盖和命中计数。正是这种限制,几乎所有的今天的国家的最先进的模糊实现CGT的性能优势。本文解决了适应CGT模糊的最普遍的覆盖指标的挑战。我们引入并实现了一套增强功能,扩展CGT的自省模糊的最常见的代码覆盖率指标,同时保持其数量级的速度比传统的始终覆盖跟踪。我们评估他们的权衡方面的模糊性能和有效性在12个不同的现实世界的二进制文件(8个开源和4个闭源)。平均而言,我们的覆盖率保持CGT达到了与目前仅块覆盖率CGT UnTracer几乎相同的速度;并且比领先的二进制和源代码级覆盖率跟踪器QEMU,Dyninst,RetroWrite和AFL-Clang高出2- 24倍,在更短的时间内发现更多的错误。
2022-09-07 cs.CR cs.SE
E-FuzzEdge: Optimizing Embedded Device Security with Scalable In-Place Fuzzing
Ruhr University Bochum(波鸿鲁尔大学)
本研究提出新型模糊测试架构E-FuzzEdge,通过优化执行速度解决微控制器硬件在环模糊测试的低效问题,经基准测试验证性能显著提升,且可兼容其他在设备端测试的嵌入式模糊技术,便于社区集成以提升测试效率。
2025-10-01 cs.CR
Python Fuzzing for Trustworthy Machine Learning Frameworks
Ivannikov Institute for System Programming of the RAS(俄罗斯科学院伊万尼科夫系统编程研究所);Lomonosov Moscow State University(莫斯科罗蒙诺索夫大学)
本文提出一种基于Sydr-Fuzz工具集并集成于GitLab CI的Python动态分析流水线,通过分析攻击面并为PyTorch、TensorFlow等框架开发模糊测试目标,成功发现3个新漏洞并提出修复方案。
2024-12-23 cs.AI cs.CR cs.SE
SAFuzz: Semantic-Guided Adaptive Fuzzing for LLM-Generated Code
Georgia Institute of Technology(佐治亚理工学院)
SAFuzz通过结合LLM引导的自适应模糊测试,提升算法漏洞检测精度和效率,减少测试时间成本。
2026-02-11 cs.CR cs.SE
Coverage-Guided Pre-Silicon Fuzzing of Open-Source Processors based on Leakage Contracts
Saarland University(萨尔兰州立大学);Sharif University of Technology(谢里夫理工大学)
针对现有硬件验证难扩展、传统模糊测试无法检测侧信道泄漏的问题,提出基于自组合偏差覆盖率指标的契约模糊测试方法,在RISC-V开源核上验证其可更快发现安全漏洞。
2025-11-16 cs.CR
The Emergence of Hardware Fuzzing: A Critical Review of its Significance
本文批判性综述硬件模糊测试的兴起,分析其原理、方法及在复杂硬件设计中的适用性,评估其采用潜力并指出研究空白。
2024-03-19 cs.CR
$μ$AFL: Non-intrusive Feedback-driven Fuzzing for Microcontroller Firmware
Fuzzing是发现软件缺陷最有效的方法之一。然而,将其应用于微控制器固件会带来许多挑战。例如,基于重新宿主的解决方案不能准确地对外围设备行为进行建模,因此不能用于模糊对应的驱动程序代码。在这项工作中,我们提出了$μ$ AFL,硬件在环的方法来模糊微控制器固件。它利用现有的嵌入式系统开发中的调试工具,构建一个AFL兼容的模糊框架。具体来说,我们使用调试软件狗来桥接PC上的模糊环境和微控制器设备上的目标固件。为了收集代码覆盖率信息而无需昂贵的代码插装,$μ$ AFL依赖于ARM ETM硬件调试功能,该功能透明地收集指令跟踪并将结果流式传输到PC。然而,原始ETM数据是模糊的,并且需要巨大的计算资源来恢复实际的指令流。因此,我们提出了一种替代表示的代码覆盖率,它保留了相同的路径敏感性作为原始的AFL算法,但可以直接工作的原始ETM数据,而不匹配它们与反汇编指令。为了进一步减少工作量,我们使用DWT硬件功能来选择性地收集感兴趣的运行时信息。我们在恩智浦和意法半导体两家主要供应商提供的两块真实评估板上对$μ$ AFL进行了评估。通过我们的原型,我们在意法半导体SDK附带的驱动程序代码中发现了10个零日漏洞,在恩智浦SDK中发现了3个零日漏洞。已为他们分配了8个社区教育机会。考虑到供应商SDK在实际产品中的广泛采用,我们的结果令人担忧。
2022-04-19 cs.CR cs.SE
Challenges and Design Considerations for Finding CUDA Bugs Through GPU-Native Fuzzing
Columbia University(哥伦比亚大学);University of Pennsylvania(宾夕法尼亚大学)
本文研究了通过GPU原生模糊测试寻找CUDA漏洞的挑战与设计考虑,强调程序行为的忠实性对异构系统安全的重要性。
2026-03-05 cs.CR
Magma: A Ground-Truth Fuzzing Benchmark
高可扩展性和低运行成本使得模糊测试成为发现软件缺陷的事实标准。在构建最终缺陷查找工具的竞赛中,模糊技术不断得到改进。然而,虽然模糊化擅长在野外发现bug,但由于缺乏指标和基准,评估和比较模糊化性能具有挑战性。例如,由于重复数据删除技术的不完善,可能是最常用的性能度量的崩溃计数是不准确的。此外,由于缺乏一套统一的目标,导致进行临时评价,妨碍了公平比较。我们解决这些问题,通过开发岩浆,一个真值模糊基准,使统一的模糊评估和比较。通过将真实的错误引入真实的软件,Magma允许对模糊器进行现实的评估。通过检测这些bug,Magma还可以独立于模糊器收集以bug为中心的性能指标。Magma是一个开放的基准测试,由七个目标组成,执行各种输入操作和复杂的计算,对最先进的模糊器提出了挑战。我们评估了七个广泛使用的基于突变的模糊器(AFL,AFLFast,AFL++,FairFuzz,MOpt-AFL,honggfuzz和SymCC-AFL)对Magma超过200,000 CPU小时。基于到达、触发和检测到的错误的数量,我们得出关于模糊器的探索和检测能力的结论。这提供了对模糊性能评估的深入了解,突出了地面实况在执行更准确和有意义的评估中的重要性。
2020-10-23 cs.CR
AntFuzzer: A Grey-Box Fuzzing Framework for EOSIO Smart Contracts
在过去的几年里,针对EOSIO智能合约漏洞的几次攻击给这个流行的区块链平台造成了严重的财务损失。作为一种轻量级的测试生成方法,灰盒模糊技术可以提高EOSIO智能合约的安全性。然而,从头开始为EOSIO智能合约开发一个实用的灰盒模糊器是耗时的,并且需要对EOSIO内部结构有深入的了解。在这项工作中,我们提出了AntFuzzer,这是EOSIO智能合约的第一个高度可扩展的灰盒模糊框架。AntFuzzer实现了一种新颖的方法,该方法与AFL接口,以对EOSIO智能合约进行AFL风格的灰盒模糊。与黑盒模糊工具相比,AntFuzzer可以有效地触发那些难以覆盖的分支。在我们的基准数据集中,它在37.5%的智能合约上实现了代码覆盖率的提高。AntFuzzer为用户提供了统一的接口,以便针对不断出现的漏洞轻松开发新的检测插件。我们在AntFuzzer上实现了6个检测插件,用于检测EOSIO智能合约的主要漏洞。在我们对4,616个真实智能合约进行的大规模模糊测试中,AntFuzzer成功检测到741个漏洞。实验结果证明了AntFuzzer算法和我们的检测算法的有效性和效率。
2022-11-02 cs.CR
PBFuzz: Agentic Directed Fuzzing for PoV Generation
University of California, Riverside(加州大学河滨分校);University of Minnesota, Twin Cities(明尼苏达大学双城分校)
PBFuzz通过模拟人类专家流程,自动提取语义约束并高效生成漏洞证明输入,实验表明其在效率和漏洞触发性能上优于现有方法。
2026-10-27 cs.CR cs.SE
Orion: Fuzzing Workflow Automation
NVIDIA
Orion 框架通过结合 LLM 推理与传统确定性工具,自动化模糊测试工作流中的人工瓶颈,将人工努力减少 46-204 倍,并在 clib 库中发现两个未知漏洞。
2025-09-18 cs.AI cs.CR cs.SE
BullsEye: Directed Firmware Fuzzing
Sapienza University of Rome(罗马大学);LUISS University(鲁斯自由大学)
本文提出首个基于基本块级距离调度闭源Linux固件模糊测试的定向灰盒模糊测试框架BULLSEYE,在40个漏洞位点上的漏洞暴露时间较基线缩短9.5至72.5倍,性能优于对比框架。
2026-08-19 cs.CR
NLP-based Cross-Layer 5G Vulnerabilities Detection via Fuzzing Generated Run-Time Profiling
Stevens Institute of Technology(史蒂文斯理工学院)
提出一种基于NLP和机器学习的方法,利用模糊测试生成的运行时性能分析文档自动检测5G栈漏洞,在srsRAN上实现93.4%-95.9%的准确率。
2023-05-14 cs.CR cs.LG cs.SE
HotFuzz: Discovering Algorithmic Denial-of-Service Vulnerabilities Through Guided Micro-Fuzzing
当代模糊测试技术主要致力于识别允许对手远程执行代码或泄露信息的内存损坏漏洞。与此同时,作为拒绝服务攻击的常见攻击媒介的网络复杂性(AC)漏洞仍然是一个未充分研究的威胁。在本文中,我们提出了HotFuzz,一个自动发现Java库中的AC漏洞的框架。HotFuzz使用微模糊,这是一种进化任意Java对象的遗传算法,以触发测试方法的最差性能。我们将小递归实例化(SRI)定义为一种技术,用于将表示为Java对象的种子输入导出到微模糊。在微模糊化之后,HotFuzz将触发AC漏洞的测试用例合成到Java程序中,并监视它们的执行,以便在模糊化框架之外再现漏洞。HotFuzz输出那些表现出高CPU利用率的程序,作为Java库中AC漏洞的见证。我们评估了HotFuzz在Java编译环境(JRE),Maven上100个最流行的Java库,以及DARPA网络安全空间和时间分析(STAC)计划中包含的挑战。我们通过比较微模糊与SRI的性能来评估SRI的有效性,通过检测到的AC漏洞的数量来衡量,简单地使用空值作为种子输入。在这次评估中,我们验证了已知的AC漏洞,发现了以前未知的AC漏洞,我们负责任地向供应商报告了这些漏洞,并得到了IBM和Oracle的确认。我们的研究结果表明,微模糊发现AC漏洞在现实世界的软件,和微模糊与SRI派生的种子输入优于使用空值。
2020-02-14 cs.CR
Learning Failure-Inducing Models for Testing Software-Defined Networks
University of Luxembourg(卢森堡大学);Lero centre, University of Limerick(利默里克大学莱罗中心);University of Ottawa(渥太华大学)
本文提出机器学习引导的模糊测试方法FuzzSDN,同时生成诱发SDN故障的测试数据并学习故障条件模型,实验表明其故障发现能力和模型精确率、召回率均显著优于现有方法。
2024-01-08 cs.CR cs.LG cs.NI
Finding Security Vulnerabilities in Unmanned Aerial Vehicles Using Software Verification
嵌入有易受攻击的单片软件的无人机(UAV)的激增最近引起了人们对其安全性的严重关注,这是由于并发方面和脆弱的通信链路。然而,基于传统测试验证无人机软件的安全性仍然是一个开放的挑战,主要是由于可扩展性和部署问题。在这里,我们调查软件验证技术来检测典型的无人机的安全漏洞。特别是,我们调查现有的软件分析器和验证器,实现模糊和有界模型检验(BMC)技术,检测内存安全和并发错误。我们还调查了与无人机通信链路相关的脆弱性方面。所有无人机部件(例如,位置、速度和姿态控制)严重依赖于通信链路。我们的初步结果表明,模糊和BMC技术可以检测各种软件漏洞,这是特别感兴趣的,以确保无人机的安全。我们能够通过对无人机的连接和软件系统进行渗透测试,成功地进行网络攻击。因此,我们展示了真实的网络威胁,并有可能在可预见的未来利用现实世界无人机软件中的进一步安全漏洞。
2019-10-11 cs.CR cs.LO
SysFuSS: System-Level Firmware Fuzzing with Selective Symbolic Execution
University of Florida(佛罗里达大学)
SysFuSS通过结合系统级模糊测试与选择性符号执行,高效检测固件漏洞,显著提升分支覆盖和漏洞发现效率。
2026-02-02 cs.CR
Directed Greybox Fuzzing via Large Language Model
本文提出HGFuzzer,利用大语言模型将路径约束转化为代码生成任务并设计专用mutator,显著提升定向灰盒模糊测试效率,在20个真实漏洞中触发17个并发现9个新CVE漏洞。
2025-05-06 cs.CR
Finding Security Vulnerabilities in Network Protocol Implementations
网络协议的实现在访问内存区域和处理算术运算时,往往容易出现由于开发人员的错误而导致的漏洞。寻找实用的方法来检查网络协议实现的安全性已被证明是一个具有挑战性的问题。其主要原因是协议软件状态空间太大,难以探索。在这里,我们提出了一种新的验证方法,结合模糊与符号执行,以验证复杂的属性在网络协议实现。我们使用模糊的初步探索的网络协议,而符号执行探索的程序路径和协议状态,这是发现模糊。从这个组合,我们自动生成高覆盖率的测试输入数据包的网络协议的实施。我们调查了基于模糊和符号执行的各种方法,以了解这些技术如何有效地结合起来,然后选择一个合适的工具来进一步开发我们的模型在我们的初步评估中,我们使用ESBMC,Map2Check和KLEE作为软件验证器和SPIKE作为模糊器,以检查它们是否适合验证我们的网络协议实现。我们的实验结果表明,ESBMC可以在我们的验证框架\textit{FuSeBMC}中进一步开发,以有效地检测网络协议实现中复杂的安全漏洞。
2020-01-27 cs.CR cs.NI
Static Exploration of Taint-Style Vulnerabilities Found by Fuzzing
污点类型的漏洞包括大多数模糊发现的程序故障。这些漏洞通常表现为受污染的程序输入导致的内存访问违规。尽管模糊器已经帮助发现了大多数软件中的污点类型的漏洞,但它们受限于(i)测试覆盖范围;(ii)可模糊测试用例的可用性。因此,单独的模糊化不能提供所有污染类型的漏洞都已被发现的高度保证。在本文中,我们使用静态模板匹配找到模糊发现漏洞的递归。为了弥补模板匹配固有的不完整性,我们实现了一个简单而有效的匹配排名算法,使用测试覆盖率数据集中注意力在那些匹配,包括未经测试的代码。我们使用Clang/LLVM编译器工具链对我们的方法进行原型设计,并将其与afl-fuzzz(一种现代覆盖率引导模糊器)结合使用。使用案例研究进行的开放vSwitch代码库,我们表明,我们的原型发现角落的情况下,缺乏一个模糊的测试工具的模块。我们的工作表明,静态分析可以有效地补充模糊测试,是一个有用的除了安全评估工具集。此外,我们的技术承诺提高程序分析和测试的有效性,并作为一个混合漏洞发现框架的构建块。
2017-06-01 cs.CR cs.PL cs.SE
The Progress, Challenges, and Perspectives of Directed Greybox Fuzzing
本文综述了定向灰盒模糊测试(DGF)的进展、挑战与前景,基于42个相关模糊测试工具,从位置定向和行为定向两个维度深入分析了DGF的实证研究,并揭示了当前研究的差距与未来机会。
2023-11-21 cs.CR
RSFuzz: A Robustness-Guided Swarm Fuzzing Framework Based on Behavioral Constraints
School of Computer Science and Technology, Xidian University(西安电子科技大学计算机科学与技术学院);Shaanxi Key Laboratory of Network and System Security, Xidian University(西安电子科技大学陕西省网络与系统安全重点实验室);University of Science and Technology of China(中国科学技术大学);Singapore Management University(新加坡管理大学);Yiqiyin (Hangzhou) Technology Co., Ltd. Xi'an Branch(壹起银(杭州)科技有限公司西安分公司)
针对多机器人集群逻辑漏洞检测难的问题,提出鲁棒性引导的RSFuzz集群模糊测试框架,通过行为约束鲁棒性评估状态、扰动关键节点缩小输入空间,构建两种攻击测试方案,在仿真中有效性和效率均优于现有方法,并验证了真实漏洞。
2025-10-03 cs.CR
JustSTART: How to Find an RSA Authentication Bypass on Xilinx UltraScale(+) with Fuzzing
本研究提出ConFuzz框架对Xilinx FPGA配置引擎进行模糊测试,定义3种新策略,成功发现导致系统崩溃的漏洞,并找到能绕过UltraScale(+) RSA认证的JustSTART漏洞。
2024-02-15 cs.CR
ReFuzz: Reusing Tests for Processor Fuzzing with Contextual Bandits
Texas A&M University(德克萨斯农工大学)
ReFuzz通过上下文老虎机重用先前处理器的高效测试用例,提升处理器模糊测试的效率和漏洞检测能力。
2025-12-08 cs.CR
DeepHunter: Hunting Deep Neural Network Defects via Coverage-Guided Fuzzing
Nanyang Technological University(南洋理工大学);Harbin Institute of Technology(哈尔滨工业大学);Carnegie Mellon University(卡内基梅隆大学);University of Illinois at Urbana–Champaign(伊利诺伊大学厄巴纳-香槟分校);Kyushu University(九州大学);NVIDIA AI Technology Center(英伟达人工智能技术中心)
随着过去十年的数据爆炸,基于深度神经网络(DNN)的软件经历了前所未有的飞跃,并正在成为许多新颖工业应用的关键驱动力,包括许多安全关键场景,如自动驾驶。尽管在各种人类智能任务中取得了巨大的成功,但与传统软件类似,DNN也可能表现出由隐藏缺陷引起的不正确行为,从而导致严重的事故和损失。在本文中,我们提出了DeepHunter,一个自动化的模糊测试框架,用于搜索通用DNN的潜在缺陷。DeepHunter执行变形突变以生成新的语义保留的测试,并利用多个可插入的覆盖标准作为反馈,从不同的角度指导测试生成。为了向实际规模的DNN扩展,DeepHunter批量维护多个测试,并根据主动反馈优先选择测试。DeepHunter的有效性在3个流行的数据集(MNIST,CIFAR-10,ImageNet)和7个具有不同复杂性的DNN上进行了广泛的研究,并在6个覆盖标准作为反馈。大规模实验表明,DeepHunter可以(1)通过指导显著提高覆盖率;(2)生成有用的测试来检测错误行为,并促进DNN模型质量评估;(3)在DNN量化过程中准确捕获潜在缺陷,用于平台迁移。
2018-11-16 cs.AI cs.CR cs.LG
Divide and Conquer based Symbolic Vulnerability Detection
University of Applied Sciences and Arts Northwestern Switzerland(西北瑞士应用科学与艺术大学)
本文提出一种基于符号执行与控制流图分析、采用分治算法消除无关信息以加速分析并支持更大程序的漏洞检测方法。
2025-09-26 cs.CR
Recurrent Neural Networks for Fuzz Testing Web Browsers
University of Glasgow(格拉斯哥大学)
基于生成的模糊测试是一种软件测试方法,能够发现软件中不同类型的错误和漏洞。然而,它是已知的是非常耗时的设计和微调经典的模糊,以实现可接受的覆盖范围,即使是小规模的软件系统。为了解决这个问题,我们研究了一种基于机器学习的模糊测试方法,在该方法中,我们概述了一系列基于循环神经网络(RNN)的测试用例生成器,并训练那些现成的数据集上的测试用例生成器,其中最少的人为微调。与以前的工作相比,所提出的生成器不依赖于启发式采样策略,而是从预测分布中进行有原则的采样。我们提供了一个详细的分析,以证明在一个具有挑战性的Web浏览器测试场景的特点和有效性的建议发电机。实验结果表明,基于RNN的生成器能够提供更好的覆盖率比基于变异的方法,并能够发现路径没有发现一个经典的模糊。我们的研究结果补充了其他领域的研究结果,表明基于RNN的模糊生成是一种可行的途径,可以在使用合适的模型选择/分析程序的条件下提高软件质量。
2018-12-12 cs.CR cs.LG cs.SE
Homo in Machina: Improving Fuzz Testing Coverage via Compartment Analysis
本文提出 HM-fuzzing 范式及隔间分析,结合全程序支配者与动态分析定位未覆盖程序区域以指导人工投入,在 OSS-Fuzz 七个项目上显著提升 AFL++ 覆盖率。
2022-12-21 cs.CR
ProphetFuzz: Fully Automated Prediction and Fuzzing of High-Risk Option Combinations with Only Documentation via Large Language Model
ProphetFuzz利用大语言模型仅凭文档自动预测高风险选项组合并进行模糊测试,在52个程序上以极低成本发现大量漏洞,显著优于现有方法。
2024-09-02 cs.CR
PSOFuzz: Fuzzing Processors with Particle Swarm Optimization
本文提出 PSOFuzz,用改进粒子群优化动态调度变异算子并生成初始种子,以提升处理器硬件模糊测试的漏洞检测速度与覆盖率。
2023-08-18 cs.CR
Make out like a (Multi-Armed) Bandit: Improving the Odds of Fuzzer Seed Scheduling with T-Scheduler
针对模糊测试种子选择难题,提出基于多臂老虎机、无需超参数调优的 T-Scheduler;经 35 CPU-年实验证明其漏洞发现与覆盖率扩展优于 11 种现有调度器。
2023-12-07 cs.CR
Fuzzing Based on Function Importance by Interprocedural Control Flow Graph
基于覆盖的灰盒模糊器(CGF),如AFL,由于其易用性和缺陷发现能力,在漏洞检测方面取得了巨大的成功。由于某些代码片段(如内存分配)比其他代码片段更容易受到攻击,因此已经提出了各种改进技术,通过从被测程序或其执行中收集额外的信息来探索更容易受到攻击的区域。然而,这些改进仅考虑有限类型的信息源,并且忽略了要被模糊化的种子输入的优先级可能受其覆盖的所有代码影响的事实。基于上述观察,我们提出了一种基于函数重要性的模糊化方法。首先,设计了一种称为属性化过程间控制流图(AICFG)的数据结构来组合代码片段的不同特征。其次,基于改进的PageRank算法计算AICFG中每个节点的重要性,该算法还对连接节点之间的影响进行了建模。在模糊过程中,节点的重要性定期更新的传播算法。然后,种子输入的种子选择和能量调度由其执行轨迹的重要性决定。我们实现了这种方法的AFL顶部的一个工具,名为FunAFL,并进行了评估对AFL和它的两个改进的14个现实世界的计划。FunAFL的分支覆盖率平均比其他人高17%,发现了13个bug,其中3个在72小时后被CVE确认。
2021-02-27 cs.CR
Faster Fuzzing: Reinitialization with Deep Neural Models
Pacific Northwest National Laboratory(太平洋西北国家实验室)
我们通过使用生成对抗网络(GAN)模型来使用新的种子文件重新初始化系统,从而提高了美国模糊Lop(AFL)模糊测试框架的性能。我们评估性能的基础上,我们产生新的和看不见的代码路径的时间速率。我们比较这种方法,种子文件生成从随机抽取的字节中观察到的训练种子文件。代码路径长度和变化不足以完全取代AFL输入生成。然而,用这些额外的代码路径增强原生AFL证明了对AFL的改进。具体来说,实验表明,GAN比LSTM更快,更有效,并且通过发现的唯一代码路径的数量来衡量,它的性能优于随机增强策略。GAN帮助AFL在相同的CPU时间内比随机策略多发现14.23%的代码路径,多发现6.16%的唯一代码路径,并找到平均长13.84%的路径。使用GAN作为AFL的重新初始化策略,以帮助模糊器在软件中练习深层路径。
2017-11-08 cs.AI cs.CR