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
LLM-Assisted Model-Based Fuzzing of Protocol Implementations
针对网络协议测试中马尔可夫模型构建依赖人工、难以扩展的问题，提出利用LLM自动生成协议状态模型与测试序列的模糊测试方法，在3种常用协议实现中发现12个未知漏洞，验证了框架的实用有效性。
2025-08-03 cs.CR cs.SE
Leveraging Textual Specifications for Grammar-based Fuzzing of Network Protocols
Purdue University（普渡大学）；Northeastern University（东北大学）
基于语法的模糊检测是一种通过注入格式良好的输入来发现软件漏洞的技术，所述格式良好的输入是根据对应用程序语义进行编码的规则生成的。大多数用于网络协议的基于语法的模糊器依赖于人类专家来手动指定这些规则。在这项工作中，我们研究自动学习的协议规则，从文本规范（即RFC）。我们评估自动提取的协议规则，将它们应用到一个国家的最先进的模糊器的传输协议，并表明它会导致一个较小的测试用例的数量，同时找到相同的攻击系统，使用手动指定的规则。
2018-10-10 cs.CL cs.CR cs.NI
Active Fuzzing for Testing and Securing Cyber-Physical Systems
Singapore Management University（新加坡管理大学）；Zhejiang University（浙江大学）；Zhejiang Lab（之江实验室）；Alibaba-Zhejiang University Joint Institute of Frontier Technologies（阿里巴巴-浙江大学前沿技术联合研究中心）
关键基础设施中的网络物理系统（CPS）面临着来自攻击者的普遍威胁，这促使人们研究各种对策来保护它们。然而，评估这些对策的有效性是具有挑战性的，因为难以手动构建攻击的现实基准，由于巨大的搜索空间和资源需求，盲目测试是无效的，并且智能模糊方法需要不切实际的数据量和网络访问。在这项工作中，我们提出了主动模糊，一种自动的方法来寻找测试套件的数据包级CPS网络攻击，针对的情况下，攻击者可以观察传感器和操纵数据包，但没有现有的知识的有效载荷编码。我们的方法学习回归模型，用于预测从采样的网络数据包中产生的传感器值，并使用这些预测来指导搜索最有可能将CPS驱动到不安全状态的有效载荷操作（即位翻转）。我们的解决方案的关键是使用在线主动学习，它通过采样估计最大限度地改善它们的有效载荷来迭代更新模型。我们通过将其用于水净化厂测试平台来评估主动模糊的功效，发现它可以自动发现流量，压力和上/下溢攻击的测试套件，所有这些都比最具可比性的方法具有更少的时间，数据和网络访问。最后，我们证明了我们的预测模型也可以用作对策本身，将其作为异常检测器和预警系统。
2020-07-16 cs.CR cs.LG cs.SE
FieldFuzz: In Situ Blackbox Fuzzing of Proprietary Industrial Automation Runtimes via the Network
本文提出FieldFuzz框架，通过网络对Codesys运行时进行黑盒模糊测试，结合逆向工程、命令发现和系统内监控，发现了多个漏洞（3个CVE），并在多种ICS设备上验证了其跨平台有效性和对现有技术的显著改进。
2023-07-31 cs.CR
PropFuzz -- An IT-Security Fuzzing Framework for Proprietary ICS Protocols
可编程逻辑控制器用于灵巧家庭、生产过程或控制关键基础设施。控制级的现代工业设备通常通过TCP/IP上的专有协议与彼此和SCADA系统进行通信。控制器在其中操作的网络通常被认为是可信的，因此它们没有被适当地保护。由于物联网（IoT）和工业4.0带来的连接性不断增长，安全风险正在上升。因此，工业网络对安全评估工具的需求很高。在本文中，我们介绍了一个新的模糊框架称为PropFuzz，它能够模糊专有的工业控制系统协议和监控控制器的行为。此外，我们提出了我们的框架的安全评估的第一个结果。
2019-10-17 cs.CR
Ambusher: Exploring the Security of Distributed SDN Controllers Through Protocol State Fuzzing
针对分布式SDN控制器协议的安全问题，提出基于协议状态模糊测试的工具Ambusher，通过提取简化状态机高效发现攻击场景，并在真实SD-WAN部署中识别出6个潜在漏洞。
2025-10-17 cs.CR cs.NI
Protocol-Aware Firmware Rehosting for Effective Fuzzing of Embedded Network Stacks
提出名为Pemu的协议感知型固件重托管方法，通过自动推断网络协议并生成有效数据包，使模糊测试输入直达固件深层逻辑，提升了现有工具代码覆盖率并发现多个深层漏洞。
2025-09-17 cs.CR
Service-Fingerprinting mittels Fuzzing
服务指纹识别（即识别网络服务和计算系统上的其他应用程序）是渗透测试的重要组成部分。本文的主要贡献是对指纹识别工具的改进进行了研究。通过应用基于变异的模糊化作为指纹生成方法，可以识别响应消息中的细微差异。响应消息中的这些差异提供了区分和识别网络服务的手段。为了证明该方法的可行性，实现了一个指纹工具的ftp服务器，并与现有的指纹工具。作为这项研究的结果，它表明，基于突变的模糊是一个适当的方法，服务指纹，甚至提供了优于先前存在的方法。
2014-03-04 cs.CR cs.NI
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
MultiFuzz: A Dense Retrieval-based Multi-Agent System for Network Protocol Fuzzing
Dept. of Computer Science, Qatar University, Doha, Qatar（计算机科学系，卡塔尔大学，多哈）
针对传统协议模糊测试技术的局限及ChatAFL的不足，提出基于密集检索的多智能体系统MultiFuzz，结合RAG和思维链推理，在RTSP上实验显示其分支覆盖度显著优于NSFuzz等SOTA工具，为自主协议模糊测试建立新范式。
2025-08-19 cs.CL cs.CR cs.MA
SemFuzz: A Semantics-Aware Fuzzing Framework for Network Protocol Implementations
Tianjin University（天津大学）；QI-ANXIN Codesafe Team（奇安信代码卫士团队）；Jiangxi Normal University（江西师范大学）
SemFuzz通过语义感知模糊测试框架，利用大语言模型提取协议语义规则，生成违反规则的测试用例，有效检测网络协议中的深层次语义漏洞。
2026-03-06 cs.CR cs.CY
MulCovFuzz: A Multi-Component Coverage-Guided Greybox Fuzzer for 5G Protocol Testing
Swinburne University of Technology（斯威本科技大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61）；CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61）
MulCovFuzz通过多组件覆盖引导机制提升5G协议测试效率，发现多个零日漏洞。
2026-02-25 cs.CR
ThreadFuzzer: Fuzzing Framework for Thread Protocol
KU Leuven（荷语鲁汶大学）
本文提出ThreadFuzzer，首个专门用于系统测试线程协议实现的模糊测试框架，通过操控MLE层数据包，支持虚拟和物理设备的模糊测试，并发现OpenThread栈中五个未知漏洞。
2026-04-24 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
No Peer, no Cry: Network Application Fuzzing via Fault Injection
本文提出 Fuzztruction-Net，通过故障注入使通信对等端进入异常状态而非修改消息，首次有效测试客户端网络应用，在 16 个目标中发现 23 个新缺陷，优于现有模糊测试器。
2024-09-02 cs.CR
Automated Fuzzing of Automotive Control Units
针对CAN消息注入后ECU状态变化难以自动检测的问题，提出利用传感器线束捕获物理响应并反馈给oracle函数的自动化模糊测试方法，在商用仪表和CAN认证框架上验证有效。
2025-05-11 cs.CR cs.SY eess.SY
Matryoshka: Fuzzing Deeply Nested Branches
灰盒模糊算法近年来取得了令人瞩目的进展，从基于进化论的随机变异算法发展到求解个体路径约束的方法。然而，它们难以解决涉及深度嵌套的条件语句的路径约束，这在图像和视频解码器、网络数据包分析器和校验和工具中是常见的。我们提出了一种解决这个问题的方法。首先，我们识别目标条件语句的所有依赖于控制流的条件语句。接下来，我们选择依赖于数据流的条件语句。最后，我们使用三种策略来找到一个同时满足所有条件语句的输入。我们在一个名为Matryoshka的工具中实现了这种方法，并将其在13个开放源程序上的有效性与其他最先进的模糊器进行了比较。Matryoshka发现了比AFL，QSYM和Angora更多的独特崩溃。我们手动将这些崩溃分类为41个独特的新错误，并获得了12个CVE。我们的评估还揭示了Matryoshka令人印象深刻的性能的关键技术：它只收集可能导致目标条件语句不可达的嵌套约束，这大大简化了它必须解决的约束。
2019-10-09 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
SNPSFuzzer: A Fast Greybox Fuzzer for Stateful Network Protocols using Snapshots
灰盒模糊技术在无状态程序中得到了广泛的应用，并取得了巨大的成功。然而，现有的灰盒模糊器在对能够记忆和存储交互细节的有状态网络协议程序进行模糊处理时，普遍存在速度慢、状态深度覆盖浅的问题。现有的用于网络协议程序的灰盒模糊器首先发送一系列定义良好的输入消息的前缀序列，然后发送突变的消息来测试有状态网络协议的目标状态。上面提到的过程造成了很高的时间成本。在本文中，我们提出了SNPSFuzzer，一个快速灰盒模糊的有状态网络协议使用快照。SNPSFuzzer在网络协议程序处于特定状态时转储上下文信息，并在需要模糊化状态时恢复上下文信息。此外，我们设计了一个消息链分析算法，以探索更多和更深层次的网络协议状态。实验结果表明，与最新的网络协议灰盒模糊器AFLNET相比，SNPSFuzzer在24小时内将网络协议模糊速度提高了112.0%~ 168.9%，路径覆盖率提高了21.4%~ 27.5%。此外，SNPSFuzzer暴露了Tinydtls程序中以前未报告的漏洞。
2022-02-17 cs.CR cs.CY
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
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
Real-Time Zero-Day Intrusion Detection System for Automotive Controller Area Network on FPGAs
Trinity College Dublin（都柏林圣三一大学）
针对汽车CAN总线未知攻击实时检测难题，提出仅用良性数据训练的无监督卷积自编码器，并在Zynq Ultrascale上量化部署，实现99.5%以上准确率与0.43 ms线速检测。
2024-01-19 cs.CR cs.LG cs.SY
SIMulator: SIM Tracing on a (Pico-)Budget
本研究提出一种基于低成本微控制器（如 Raspberry Pi Pico）的 SIM 追踪方法，通过电气解耦 SIM 卡与调制解调器并仅在 APDU 层面传输，大幅降低硬件复杂性与成本，使该技术更易普及。
2025-06-25 cs.CR
