CorbFuzz: Checking Browser Security Policies with Fuzzing
浏览器使用安全策略来阻止恶意行为。跨源读取阻止(CORB)是一种浏览器安全策略,用于防止侧信道攻击,如Spectre。我们提出了一个Web浏览器安全策略模糊称为CorbFuzz检查CORB和类似的政策。在实现安全策略时,浏览器只能访问HTTP请求和响应,并仅基于这些交互采取策略操作。在检查浏览器安全策略时,CorbFuzz使用一个策略oracle来跟踪Web应用程序的行为,并根据Web应用程序的状态推断出所需的策略操作。通过比较策略oracle与浏览器行为,CorbFuzz可以检测浏览器安全策略中的漏洞。CorbFuzz通过模糊一组Web应用程序来检查Web浏览器策略,其中状态相关查询被象征性地评估以增加覆盖率和自动化。CorbFuzz从数据库查询和分支条件中收集类型信息,以防止在模糊化过程中生成不一致的数据值。我们使用从GitHub收集的Web应用程序,在Chromium和Webkit的CORB实现上评估了CorbFuzz,以及Firefox的不透明响应阻止(ORB)策略实现。我们在Chromium的CORB实现中发现了三类弱点。
2021-09-01 cs.CR cs.SE
Full-speed Fuzzing: Reducing Fuzzing Overhead through Coverage-guided Tracing
在覆盖率引导的模糊测试的三个主要组成部分中:(1)测试用例生成,(2)代码覆盖率跟踪,以及(3)崩溃分类,代码覆盖率跟踪是开销的主要来源。覆盖率引导的模糊器通过静态或动态二进制插装来跟踪每个测试用例的代码覆盖率,或者最近使用硬件支持。不幸的是,跟踪所有的测试用例会导致显著的性能损失--即使绝大多数测试用例及其覆盖信息被丢弃,因为它们不会增加代码覆盖。为了消除覆盖引导模糊不必要的跟踪,我们引入覆盖引导跟踪的概念。覆盖率引导的跟踪利用了两个观察结果:(1)只有一小部分生成的测试用例增加了覆盖率,因此需要跟踪;(2)随着时间的推移,覆盖率增加的测试用例变得不那么频繁。覆盖率引导的跟踪通过在目标二进制中编码代码覆盖率的当前边界来工作,以便当测试用例产生新的覆盖率时,它会自我报告-而不需要跟踪。这充当了跟踪的过滤器;将跟踪的开销限制为仅增加覆盖率的测试用例。因此,覆盖率引导的跟踪选择权衡增加的覆盖率增加测试用例处理时间,以获得最初以本机速度执行测试用例的能力。为了展示覆盖率引导跟踪的潜力,我们创建了一个基于静态二进制instrumentor Dyninst的实现,称为UnTracer。我们使用模糊社区常用的八个真实世界的二进制文件来评估UnTracer。实验表明,经过一个小时的模糊化,UnTracer的平均开销低于1%,经过24小时的模糊化,UnTracer接近0%的开销,而使用流行的白盒和…
2019-01-28 cs.CR cs.SE
DIAR: Removing Uninteresting Bytes from Seeds in Software Fuzzing
软件模糊化改变测试种子中的字节,以探索被测程序的不同行为。初始种子可以对模糊活动的性能产生很大影响。在一个大种子中变异许多不感兴趣的字节会浪费模糊资源。在本文中,我们提出了我们的方法,旨在通过识别和删除种子中的无趣字节,以提高模糊器的性能的初步结果。特别是,我们提出了DIAR,一种技术,根据其覆盖范围,减少种子的大小。我们的初步结果表明,模糊运动从减少种子开始,更快地找到新路径,并且可以产生更高的整体覆盖率。
2021-12-25 cs.SE
Compositional Fuzzing Aided by Targeted Symbolic Execution
近年来,由于其快速的路径覆盖引导的输入变异策略,引导模糊已经能够发现现实世界中的软件中的许多新的漏洞。然而,大多数模糊器无法在程序的更深部分实现高覆盖率。此外,模糊器严重依赖于种子输入的多样性,通常是手动提供的,以便能够产生有意义的结果。在本文中,我们提出了野火,一种新的开源组合模糊框架。Wildfire通过模糊化C程序中的孤立函数来发现漏洞,然后使用有针对性的符号执行来确定利用这些漏洞的可行性。基于我们对23个开源源程序(近100万个)的评估,我们表明,由于覆盖率的增加,Wildfire比基线符号执行和模糊工具以及最先进的覆盖率引导工具发现了更多的真阳性结果,而这些工具所花费的分析时间只有10%。此外,Wildfire还发现了许多其他潜在的漏洞,这些漏洞的可行性可以通过组合来确定,以确认它们是否是误报。Wildfire还可以复制所有已知的漏洞,并在三个开源库中发现了几个以前未知的漏洞。
2019-10-11 cs.SE
ct-fuzz: Fuzzing for Timing Leaks
基于测试的方法,如模糊能够分析复杂的软件,这是不服从传统的形式化方法,如验证,模型检验,抽象解释。尽管在许多流行的软件项目中暴露了无数的安全漏洞,但基于测试的方法的应用主要针对检查传统的安全属性,如内存安全。虽然这类属性无疑很重要,但它并不能精确地表征其他重要的安全方面,如信息泄漏,例如,通过侧通道。在这项工作中,我们扩展了基于测试的软件分析方法的两个安全属性,这使得复杂的软件中的信息泄漏的精确发现。特别是,我们提出了ct-fuzzz工具,它使覆盖率指导灰盒模糊检测两个安全属性违规的能力。我们的方法是能够暴露违反任何两个安全属性表示为两个程序的痕迹之间的平等。从经验上讲,我们证明了ct-fuzz迅速揭示流行的加密实现中的时间泄漏。
2019-04-15 cs.SE
InsightQL: Advancing Human-Assisted Fuzzing with a Unified Code Database and Parameterized Query Interface
The University of Melbourne(墨尔本大学);The Korea Advanced Institute of Science and Technology(韩国科学技术院)
针对模糊测试易因阻塞点陷入覆盖率瓶颈、人工分析成本高的问题,提出带统一数据库和参数化查询界面的人类辅助框架InsightQL,在FuzzBench基准测试中显著提升代码覆盖率。
2025-10-06 cs.SE
AFLNet Five Years Later: On Coverage-Guided Protocol Fuzzing
本文回顾了首个代码与状态覆盖率引导的协议模糊测试器AFLNet五年来的技术贡献、实证评估及其对协议模糊测试研究与实践的深远影响。
2025-04-29 cs.SE
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
Testing SSD Firmware with State Data-Aware Fuzzing: Accelerating Coverage in Nondeterministic I/O Environments
针对SSD固件在非确定性I/O环境下传统测试覆盖率提升缓慢的问题,提出状态数据感知模糊测试方法,利用内部状态引导输入生成,实验证明在保持相同覆盖率和缺陷检测能力的同时可减少约67%的命令开销。
2025-05-05 cs.SE
FuSeBMC v4: Improving code coverage with smart seeds via BMC, fuzzing and static analysis
本研究提出测试生成工具FuSeBMC v4,通过注入目标标签引导BMC与进化模糊测试引擎生成智能种子,结合Tracer子系统协调引擎运行,提升C程序代码覆盖率,在Test-Comp 2022竞赛中多类别超越现有先进工具并获三个奖项。
2024-04-18 cs.SE
Evaluating the Effectiveness of Coverage-Guided Fuzzing for Testing Deep Learning Library APIs
North Carolina State University(北卡罗来纳州立大学);ShanghaiTech University(上海科技大学);Cornell University(康奈尔大学)
本文提出FlashFuzz,利用LLM自动合成API级测试驱动程序,将覆盖率引导模糊测试有效应用于PyTorch和TensorFlow,显著提升覆盖率、有效率和生成速度,并发现42个未知缺陷。
2025-09-18 cs.SE
Reviewing KLEE's Sonar-Search Strategy in Context of Greybox Fuzzing
符号执行和模糊测试的自动测试用例生成技术是学术界和工业界最广泛使用的发现漏洞的方法。然而,这两种方法都存在基本的缺点,这些缺点阻止它们实现高路径覆盖,因此,这可能导致在静态分析的数值尺度上发现漏洞。在这个演示文稿中,我们检查系统测试(SUTs)在功能的粒度级别,并假设实现更高的功能覆盖率(在程序中的功能执行至少一次)比,符号执行和模糊可能是发现更多的漏洞比这两个必要条件。我们将从KLEE的目标搜索策略的设计开始,声纳搜索,优先考虑通往目标功能的路径,而不是最大化程序中的整体路径覆盖。然后,我们将展示在函数级别(组合分析)检查SUT会发现比从单个入口点执行符号更多的漏洞。利用这一发现,我们将,然后,演示一个灰盒模糊方法,可以实现更高的功能覆盖率比符号执行。最后,我们将提出一个框架,以有效地管理漏洞和评估其严重性。
2018-03-13 cs.SE
When High-Performance Computing Meets Software Testing: Distributed Fuzzing using MPI
本文提出利用MPI同步技术提升分布式模糊测试的性能和可扩展性,通过降低通信延迟和解决覆盖率停滞问题,提高模糊测试效率。
2025-12-01 cs.SE
CoCoFuzzing: Testing Neural Code Models with Coverage-Guided Fuzzing
基于深度学习的代码处理模型在预测方法名称、总结程序和注释生成等任务上表现出了良好的性能。然而,尽管取得了巨大的进步,但深度学习模型往往容易受到对抗攻击,这可能会导致这些模型对意外输入的错误分类,从而严重威胁到这些模型的鲁棒性和可推广性。为了解决上述问题,已经提出了许多深度学习测试方法,然而,这些方法主要集中在测试图像、音频和文本分析等领域中的深度学习应用,由于程序的独特性质,其不能直接应用于神经模型以用于代码。在本文中,我们提出了一个基于覆盖率的模糊框架CoCoFuzzing,用于测试基于深度学习的代码处理模型。特别是,我们首先提出了十个变异算子自动生成有效的和语义保持源代码的例子作为测试,然后我们提出了一个基于神经元覆盖的方法来指导测试的生成。我们研究了CoCoFuzzing在三种最先进的神经代码模型上的性能,即,NeuralCodeSum、CODE2SEQ和CODE2VEC。我们的实验结果表明,CoCoFuzzing可以生成有效的和语义保留的源代码的例子,用于测试这些模型的鲁棒性和泛化能力,并提高神经元的覆盖率。此外,这些测试可用于通过对抗性再训练来提高目标神经代码模型的性能。
2021-06-17 cs.SE
REST API Fuzzing by Coverage Level Guided Blackbox Testing
随着Web应用程序的增长,REST API已成为服务之间的主要通信方法。为了保证系统的可靠性和安全性,软件质量可以通过有效的测试方法来保证。黑盒模糊测试是进行大规模测试的有效方法之一。然而,传统的黑盒模糊测试产生随机数据而不判断输入的质量。我们为REST API实现了一个黑盒模糊测试方法。通过测试覆盖水平反馈,解决了在不知道突变有效性的情况下盲目突变的问题。我们还通过降低REST API的测试复杂度来增强变异策略,生成更合适的测试用例来覆盖可能的路径。我们通过测试两个大型开源项目来评估我们的方法,并报告和确认了89个错误。此外,我们在APIs.guru中发现了来自64个远程API服务的351个错误。该工作在https://github.com/iasthc/hsuan-fuzz上。
2021-12-31 cs.SE
FLARE: Agentic Coverage-Guided Fuzzing for LLM-Based Multi-Agent Systems
Xidian University(西安电子科技大学);Peking University(北京大学);East China Normal University(华东师范大学);Shanghai Innovation Institute(上海创新研究院)
FLARE通过代理定义提取规范和行为空间,构建测试或acles进行覆盖引导模糊测试,发现多智能体系统中的失败案例,实现96.9%的代理间覆盖和91.1%的代理内覆盖。
2026-04-07 cs.SE
WuppieFuzz: Coverage-Guided, Stateful REST API Fuzzing
The Netherlands Organisation for Applied Scientific Research (TNO)(荷兰应用科学研究组织);Radboud University(拉德堡德大学)
WuppieFuzz基于LibAFL构建,支持白盒、灰盒和黑盒模糊测试,通过OpenAPI生成初始输入集并利用变异器探索代码路径,自动化生成Harness以减少手动工作,通过Petstore API评估白盒方法的鲁棒性和不同功率计划的有效性。
2025-12-17 cs.SE
Pythia: Grammar-Based Fuzzing of REST APIs with Coverage-guided Feedback and Learning-based Mutations
Columbia University(哥伦比亚大学);Microsoft Research(微软研究院)
本文介绍了Pythia,这是第一个模糊器,它通过覆盖率引导反馈和基于学习的变异策略来增强基于语法的模糊,用于有状态的REST API模糊。Pythia使用统计模型从结构上有效的种子输入中学习目标REST API的常见使用模式。然后,它通过注入少量偏离常见使用模式的噪声,同时仍然保持句法有效性,从而生成基于学习的突变。Pythia的变异策略有助于生成语法上有效的测试用例,覆盖率引导的反馈有助于优先考虑更有可能找到bug的测试用例。我们提出了三个生产规模的实验评估,开源云服务表明,Pythia优于以前的方法,无论是在代码覆盖率和新的错误发现。使用Pythia,我们发现了29个新的错误,我们正在向各自的服务所有者报告的过程中。
2020-05-23 cs.LG cs.SE
RERS-Fuzz : Combining Greybox Fuzzing with Interval Analysis for error reachability in reactive softwares
模糊测试是软件维护和演化领域中一个被广泛研究的领域。近年来,基于覆盖率的灰盒模糊测试通过发现工业级软件中的关键安全级别和show-stopper错误而获得了极大的关注。灰箱模糊测试以覆盖率最大化为目标函数,并采用反馈驱动的进化算法来实现。在我们的工作中,我们利用灰盒模糊测试的力量,结合区间分析来解决序列和工业RERS(反应式软件的严格检查)2019基准测试中的可达性问题。
2019-07-26 cs.SE
Assessing Reliability of Statistical Maximum Coverage Estimators in Fuzzing
本文针对模糊测试中最大可达覆盖率估计缺乏标注真值的问题,提出合成程序评估框架,并在真实程序上通过改变采样单元大小检验可达性估计器的可靠性,为评估未来改进提供协议。
2025-07-23 cs.SE
A Comparative Quality Metric for Untargeted Fuzzing with Logic State Coverage
针对现有模糊测试质量度量标准不可靠的问题,提出逻辑状态覆盖作为代理度量,通过统计执行中满足的分支集合来更细粒度地计算观察到的有趣行为,并在AFL++和XMLLint上进行了初步评估验证其可靠性。
2024-09-23 cs.CR cs.SE
Fuzzing with Agents? Generators Are All You Need
Carnegie Mellon University(卡内基梅隆大学)
本文探讨利用AI代理自动生成针对特定目标的输入生成器,发现生成器在分支覆盖率上优于人工编写者,且无需覆盖引导和突变策略。
2026-04-01 cs.SE
IRFuzzer: Specialized Fuzzing for LLVM Backend Code Generation
本文提出IRFuzzer,通过约束变异生成有效LLVM IR输入并引入匹配器表覆盖率反馈,对LLVM后端代码生成进行专用模糊测试,在29个后端目标中发现74个已确认新错误,显著提升了测试效果。
2025-07-14 cs.SE
Peeling Off the Cocoon: Unveiling Suppressed Golden Seeds for Mutational Greybox Fuzzing
Nanjing University(南京大学);State Key Laboratory for Novel Software Technology(新型软件技术国家重点实验室)
PoCo通过去除障碍条件语句并深入种子选择,提升现代覆盖引导的种子选择技术性能。
2026-02-27 cs.SE
FuzzRDUCC: Fuzzing with Reconstructed Def-Use Chain Coverage
针对纯二进制模糊测试因缺乏数据流洞察导致覆盖不足、难发现漏洞的问题,提出采用符号执行重建二进制def-use链的FuzzRDUCC框架,结合启发式算法选链控开销,在binutils基准上能发现现有先进工具未检出的独特崩溃,为漏洞检测提供新可行方案。
2025-09-05 cs.CR cs.SE
Grey-Box Fuzzing in Constrained Ultra-Large Systems: Lessons for SE Community
提出SandBoxFuzz灰盒模糊测试技术,利用面向切面编程和基于日志的覆盖率机制解决受限超大型微服务系统测试难题,在蚂蚁集团部署中显著提升分支覆盖率并发现大量异常。
2025-04-28 cs.SE
DLFuzz: Differential Fuzzing Testing of Deep Learning Systems
深度学习(DL)系统越来越多地应用于安全关键领域,如自动驾驶汽车。保证DL系统的可靠性和鲁棒性具有重要意义。现有的神经元测试方法往往无法包含测试数据集中的稀有输入,并且神经元覆盖率较低。在本文中,我们提出了DLFuzz,第一个差分模糊测试框架,以指导DL系统暴露不正确的行为。DLFuzz不断对输入进行细微的变异,以最大化神经元覆盖率以及原始输入和变异输入之间的预测差异,而无需手动标记工作或交叉引用具有相同功能的其他DL系统的预言机。我们提出了两个著名的数据集的实证评估,以证明其效率。与最先进的深度学习白盒测试框架DeepXplore相比,DLFuzz不需要额外的努力来寻找类似的功能性深度学习系统进行交叉引用检查,但可以生成多338.59%的对抗性输入,同时具有89.82%的小扰动,平均获得高2.86%的神经元覆盖率,节省20.11%的时间消耗。
2018-08-28 cs.SE
Improving Linux-Kernel Tests for LockDoc with Feedback-driven Fuzzing
LockDoc是一种从系统处于基准负载下时记录的动态执行跟踪中提取内核数据结构的锁定规则的方法。这些锁定规则可以例如用于定位同步错误。对于高规则精度和彻底的错误发现,该方法在很大程度上取决于基准测试的选择:它们必须触发内核子系统中与目标数据结构相关的尽可能多的代码的执行。然而,现有的测试套件,如Linux测试项目(LTP)提供的那些测试套件,在LTP的情况下,仅实现了VFS子系统的大约35%的基本块覆盖率,当为与文件系统相关的数据结构提取锁定规则时,VFS子系统是相关的子系统。在本文中,我们将讨论如何补充LTP套件以提高LockDoc场景的代码覆盖率。我们重新调整了syzkaller --一个覆盖率引导的模糊器,目标是验证内核API的鲁棒性--1)不以内核崩溃为目标,2)最大化特定内核子系统的代码覆盖率。因此,我们生成了可以在LTP之外运行的新基准程序,并将VFS基本块覆盖率提高了26.1%。
2021-09-16 cs.SE
FuzzAug: Data Augmentation by Coverage-guided Fuzzing for Neural Test Generation
University of California, Davis(加州大学戴维斯分校)
本文提出了一种名为FuzzAug的新型数据增强技术,通过引入模糊测试的覆盖引导输入和有效测试语义,将训练数据集规模扩大一倍,从而显著提升了大型语言模型在神经测试生成任务中的性能。
2025-06-26 cs.AI cs.SE
Stateful Embedded Fuzzing with Peripheral-Accurate SystemC Virtual Prototypes
RWTH Aachen University(亚琛工业大学)
本文提出一种结合AFL++与状态化SystemC-TLM虚拟原型的框架,通过将模糊测试输入直接注入外围模型,实现嵌入式软件的真实模糊测试,提升预硅测试效果。
2026-04-20 cs.SE
GreyConE: Greybox fuzzing+Concolic execution guided test generation for high level design
由于复杂的分支条件、循环结构和硬件设计固有的并发性,对高级设计进行详尽的测试是一个艰巨的挑战。测试工程师的目标是生成满足各种代码覆盖率指标的高质量测试用例,以确保设计中出现的错误最少。在测试SystemC设计之前的工作是时间效率低下的,这阻碍了在较短的时间跨度内实现所需的覆盖。我们交错灰盒模糊和concolic执行系统的方式,并生成质量测试用例加速测试覆盖率指标。我们的结果优于国家的最先进的方法在测试用例的数量和分支覆盖的一些基准,和运行时间为他们中的大多数。
2022-07-13 cs.CR cs.SE
FuzzWiz -- Fuzzing Framework for Efficient Hardware Coverage
1 Infineon Technologies Dresden GmbH \& Co. KG, Germany 2 Infineon Technologies AG, Germany
FuzzWiz通过自动化模糊测试框架提高硬件验证效率,实现快速覆盖目标。
2024-10-23 cs.AI cs.AR cs.SE
CovRL: Fuzzing JavaScript Engines with Coverage-Guided Reinforcement Learning for LLM-based Mutation
Yonsei University(延世大学);Suresofttech Inc.(Suresofttech公司)
本文提出CovRL技术,通过TF-IDF构建加权覆盖率图并结合强化学习将覆盖率反馈直接集成到LLM变异器中,显著提升了JavaScript引擎模糊测试的代码覆盖率与漏洞发现能力。
2024-02-19 cs.CL cs.CR cs.LG
Sydr-Fuzz: Continuous Hybrid Fuzzing and Dynamic Analysis for Security Development Lifecycle
为了保证软件的安全性,满足安全开发生命周期(SDL)的要求,目前对用于持续测试的自动化动态分析框架的需求很高。尖端混合模糊技术的安全漏洞搜索效率优于广泛使用的覆盖引导模糊。我们提出了一个增强的动态分析管道,以利用生产力的自动错误检测的基础上混合模糊。我们在连续模糊工具集Sydr-Fuzz中实现了所提出的管道,该工具集由混合模糊编排器提供支持,将我们的DSE工具Sydr与libFuzzer和AFL++集成在一起。Sydr-Fuzz还集成了安全谓词检查器、崩溃分类工具Casr以及用于语料库最小化和覆盖率收集的实用程序。我们的混合模糊器对替代国家的最先进的解决方案的基准测试表明,其优越性覆盖引导模糊器,同时保持在同一水平上与先进的混合模糊器。此外,我们通过在OSS-Sydr-Fuzz项目中发现85个新的真实世界软件缺陷来验证我们方法的相关性。最后,我们向社区开放Casr源代码,以方便检查现有的崩溃。
2023-03-23 cs.CR cs.SE
GapForge: Directed Compiler Fuzzing via Coverage-Gap Analysis
Key Lab of High Confidence Software Technologies (Peking University), Ministry of Education(高可信软件技术教育部重点实验室);Peking University(北京大学)
研究针对现代编译器代码库覆盖难问题,提出基于大型语言模型的GapForge测试生成技术,通过覆盖驱动评分、路径差异分析等步骤,将覆盖差距作为区域级目标,显著优于现有技术,提高了编译器覆盖率并发现多个实际故障。
2026-07-20 cs.SE
Better Pay Attention Whilst Fuzzing
Fuzzing是漏洞检测的主流方法之一。然而,即使是最先进的模糊方法在一段时间后也变得无效,即,由于现有方法不能有效地将模糊注意力集中在覆盖难以触发的程序路径上,因此覆盖率几乎没有提高。换句话说,他们不能生成可以打破瓶颈的输入,因为在捕获测试输入和程序覆盖之间的复杂关系方面存在根本性的困难。特别地,现有的模糊器受到以下主要限制:1)缺乏对程序的总体分析以识别最“有回报”的种子,以及2)缺乏可以连续地选择和变异种子的更相关的“字节”的有效变异策略。在这项工作中,我们提出了一种称为ATTuzz的方法来系统地解决这两个问题。首先,我们提出了一个轻量级的动态分析技术,估计“奖励”覆盖每个基本块,并选择最有价值的种子。其次,我们根据神经网络模型对所选种子进行变异,该模型预测给定种子的某些字节上的某些变异是否会覆盖某个“奖励”块。该模型是一个配备了注意力机制的深度学习模型,该机制在模糊化的同时定期学习和更新。我们的评估表明,ATTuzz在实现更高的边缘覆盖率和发现新错误方面,在13个流行的现实世界程序上显着优于5个最先进的灰盒模糊器。特别是,ATTuzz在24小时运行中实现了2倍于AFL的边缘覆盖率和4倍于AFL的bug检测。此外,ATTuzz从长远来看持续改善边缘覆盖,即,在5天内实现比AFL多50%的覆盖率。
2021-12-14 cs.CR cs.SE
Learning Inputs in Greybox Fuzzing
灰盒模糊测试是一种轻量级的测试方法,可以有效地检测错误和安全漏洞。然而,灰盒模糊器随机地改变程序输入以执行新的路径;这使得覆盖由复杂检查保护的代码变得具有挑战性。在本文中,我们提出了一种技术,扩展灰盒模糊的方法,学习新的输入的基础上已经探索的程序执行。可以学习这些输入,以便它们引导对特定执行的探索,例如,增加路径覆盖或揭示漏洞的探索。我们已经评估了我们的技术,并将其与传统的灰盒模糊26现实世界的基准。相比之下,我们的技术显着增加了路径覆盖率(高达3倍),并检测到更多的错误(高达38%),通常更快。
2018-07-20 cs.CR cs.SE
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
Model-guided Fuzzing of Distributed Systems
本文提出利用 TLA+ 抽象模型定义覆盖率并引导分布式系统模糊测试,在 Etcd-raft 与 RedisRaft 上提升覆盖率、加速缺陷发现,并找到13个新缺陷。
2025-08-31 cs.DC cs.SE
Vulseye: Detect Smart Contract Vulnerabilities via Stateful Directed Graybox Fuzzing
针对现有智能合约模糊测试工具状态反馈不足、测试资源浪费的问题,提出以漏洞为导向的有向状态灰盒模糊测试工具Vulseye,通过代码与状态双目标引导及新型适应度度量提升测试的有效性与效率。
2024-08-19 cs.SE
LLAMA: Multi-Feedback Smart Contract Fuzzing Framework with LLM-Guided Seed Generation
本文提出基于LLM的多反馈智能合约模糊测试框架LLAMA,结合分层提示生成种子、多反馈优化机制和进化模糊引擎,显著提升了代码覆盖率与漏洞检测能力。
2025-07-16 cs.CR cs.SE
Evolutionary Fuzzing of Android OS Vendor System Services
Android设备由100多家制造商合作伙伴以多种形式提供,这些合作伙伴通过新的系统服务扩展了Android“香草”操作系统,并修改了现有的系统服务。这些专有扩展会使Android设备面临可靠性和安全性问题。在本文中,我们提出了一个基于进化算法的覆盖率引导模糊平台(Chizpurfle)来测试专有的Android系统服务。该平台的一个关键特性是能够利用动态二进制重写技术,在实际的未修改的Android设备上分析覆盖率。我们在三款高端商用Android智能手机上应用了该解决方案。结果证实,进化模糊能够比盲目模糊更有效地测试Android OS系统服务。此外,我们评估了不同选择的适应度函数和选择算法的影响。
2019-06-03 cs.CR cs.SE
Format-aware Learn&Fuzz: Deep Test Data Generation for Efficient Fuzzing
适当的测试数据是动态软件测试成功的关键因素,例如,模糊然而,大多数现实世界的应用程序接受包含由元数据包围的数据的复杂结构输入,元数据在包括解析和呈现(执行)的几个阶段中处理。它使得自动生成高效的测试数据成为一项非平凡而费力的活动。深度学习在解决复杂任务,特别是生成任务方面的成功促使我们在复杂测试数据生成的背景下利用它。为此,使用基于深度递归神经网络(RNN)的神经语言模型(NLM)来学习复杂输入的结构。我们的方法生成新的测试数据,同时区分数据和元数据,使其有可能针对被测软件(SUT)的解析和渲染部分。这样的测试数据可以改善输入模糊。为了评估所提出的方法,我们开发了一个模块化文件格式模糊器IUST-DeepFuzz。我们在MuPDF上进行的实验,MuPDF是一种轻量级和最受欢迎的便携式文档格式(PDF)阅读器,与最先进的工具(如learn&fuzz,AFL,Augmented-AFL和随机模糊)相比,IUST-DeepFuzz达到了SUT的高覆盖率。我们还观察到,深度学习模型越简单,代码覆盖率就越高。
2019-05-28 cs.SE
Badger: Complexity Analysis with Fuzzing and Symbolic Execution
涉及模糊测试和符号执行的混合测试方法在实现高代码覆盖率、发现各种软件应用程序中的细微错误和漏洞方面显示出有希望的结果。在本文中,我们描述獾-一种新的混合方法的复杂性分析,发现漏洞时发生的最坏情况下的时间或空间复杂度的应用程序是显着高于平均情况的目标。Badger使用模糊测试来生成一组不同的输入,其目的不仅是增加覆盖率,而且还与每个路径相关联的资源相关的成本。由于模糊可能无法执行深程序路径,由于其有限的知识的条件,影响这些路径,我们补充了分析与符号执行,这也是定制的搜索路径,增加资源相关的成本。符号执行特别擅长生成满足各种程序条件的输入,但它本身会遭受路径爆炸。因此,獾使用模糊和象征性执行串联,以利用他们的好处,克服他们的弱点。我们实现了我们的方法分析的Java程序,基于Kelinci和Symbolic Pathwords。我们在Java应用程序上评估了Badger,结果表明,与模糊或符号执行相比,我们的方法在生成最坏情况的执行方面要快得多。
2018-06-08 cs.SE
Coverage-Guided Multi-Agent Harness Generation for Java Library Fuzzing
University of Lübeck(吕贝克大学)
本文提出一种多智能体架构,通过 LLM 功能智能体自动化生成 Java 库的模糊 harnesses,提升模糊测试效率并发现漏洞。
2026-03-09 cs.CR cs.SE
MTFuzz: Fuzzing with a Multi-Task Neural Network
Fuzzing是一种广泛用于检测软件错误和漏洞的技术。大多数流行的模糊器使用进化搜索来生成新的输入以最大化代码覆盖率。从本质上讲,这些模糊器从一组种子输入开始,对其进行变异以生成新的输入,并使用进化适应度函数来识别有希望的输入以进行进一步的变异。尽管取得了成功,但进化模糊者往往会陷入长序列的非生产性突变中。近年来,基于机器学习(ML)的变异策略已经报道了有希望的结果。然而,现有的基于ML的模糊器受到缺乏质量和多样性的训练数据的限制。由于目标程序的输入空间是高维和稀疏的,因此收集证明成功和不成功突变的许多不同样本来训练模型是极其昂贵的。在本文中,我们通过使用多任务神经网络来解决这些问题,该网络可以基于多个相关任务的不同训练样本来学习输入空间的紧凑嵌入(即,预测不同类型的覆盖率)。紧凑嵌入可以通过将大多数突变集中在嵌入的梯度高的部分上来指导突变过程。\tool发现$11$以前看不见的错误,并实现了平均$2\times$更多的边缘覆盖率相比,5个国家的最先进的模糊10个现实世界的程序。
2020-09-11 cs.SE
GraphFuzz: Automated Testing of Graph Algorithm Implementations with Differential Fuzzing and Lightweight Feedback
针对图算法测试输入空间大、代码覆盖引导模糊测试效率低的问题,提出首个面向图算法的反馈引导模糊测试框架GraphFuzz,通过算法特定轻量反馈提升语料多样性,支持黑/灰盒测试,结合差分测试发现12个未知漏洞。
2025-02-21 cs.SE
Growing a Test Corpus with Bonsai Fuzzing
本文提出了一种覆盖率引导的基于语法的模糊技术自动生成一个语料库的简洁的测试输入的程序,如编译器。我们走过一个案例研究的编译器设计的教育和相应的问题,产生有意义的测试用例提供给学生。现有技术的解决方案是模糊和测试用例简化技术(诸如增量调试的变体)的组合。我们的关键见解是,而不是试图最大限度地减少复杂的模糊生成的测试输入,我们可以通过使用迭代深化的形式来构建简洁的测试输入。我们称这种方法为Bonsai Fuzzing。实验结果表明,Bonsai Fuzzing可以生成的测试语料库的输入是16- 45%,平均较小的大小相比,模糊然后减少的方法,而实现大致相同的代码覆盖率和故障检测能力。
2021-03-07 cs.PL cs.SE
Fuzzwise: Intelligent Initial Corpus Generation for Fuzzing
University of Texas at Dallas(德克萨斯大学达拉斯分校)
FuzzWise通过基于LLM的多代理框架,高效生成初始语料,提升模糊测试的代码覆盖和错误触发效率。
2025-12-24 cs.LG cs.SE
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
Prompt Fuzzing for Fuzz Driver Generation
提出PromptFuzz,一种覆盖率引导的提示模糊测试工具,通过迭代生成模糊驱动程序来探索未发现的库代码,在14个真实库上相比OSS-Fuzz和Hopper分别提升1.61倍和1.63倍分支覆盖率,并检测到33个真实新错误。
2024-05-29 cs.CR cs.SE
From Coverage to Causes: Data-Centric Fuzzing for JavaScript Engines
Department of Computer Science, North Carolina State University(北卡罗来纳州立大学计算机科学系)
本文提出基于大语言模型的数据导向模糊测试方法,通过学习历史漏洞自动识别高风险输入特征,提升漏洞发现效率。
2025-12-19 cs.CR cs.LG cs.SE
Superion: Grammar-Aware Greybox Fuzzing
近年来,基于覆盖率的灰盒模糊技术已被证明是在实践中发现安全漏洞的最有效的技术之一。特别是美国的Fuzzy Lop(简称AFL)算法,被认为在相对简单的测试输入的模糊化方面取得了巨大的成功。然而,当遇到XML和JavaScript等结构化测试输入时,AFL中的语法盲裁剪和变异策略阻碍了AFL的有效性和效率。为此,我们提出了一个基于覆盖率的模糊处理结构化输入的灰盒模糊方法。鉴于语法(这往往是公开的)的测试输入,我们引入了一个语法感知修剪策略修剪测试输入在树级使用的抽象语法树(AST)解析的测试输入。此外,我们引入了两种语法感知的突变策略(即,增强的基于字典的突变和基于树的突变)。具体来说,基于树的变异通过使用解析的测试输入的AST替换子树来工作。该方法具有语法感知能力,可以将模糊推理的探索扩展到广度和深度。我们实现了我们的方法作为一个扩展AFL,命名为Escapon;和评估Escapon在现实生活中的大型程序(XML引擎libplist和三个JavaScript引擎WebKit,Jerryscript和ChakraCore)的有效性。我们的研究结果表明,ESPON可以提高代码覆盖率(即,行和函数覆盖率分别为16.7%和8.8%)和缺陷发现能力(即,31个新漏洞,其中我们发现了21个新漏洞,分配了16个CVE,并通过AFL和jsfunfuzz获得了3.2K美元的漏洞奖励。我们还证明了我们…
2019-01-23 cs.CR cs.SE
Not all bytes are equal: Neural byte sieve for fuzzing
Microsoft Research(微软研究院)
Fuzzing是一种流行的动态程序分析技术,用于发现复杂软件中的漏洞。Fuzzing涉及向目标程序提供精心编制的恶意输入,这些输入旨在导致崩溃、缓冲区溢出、内存错误和异常。以有效的方式制作恶意输入是一个困难的开放问题,通常生成此类输入的最佳方法是通过将均匀随机突变应用于预先存在的有效输入(种子文件)。我们提出了一种学习技术,使用神经网络学习模式的输入文件,从过去的模糊探索,以指导未来的模糊探索。特别地,神经模型学习一个函数来预测输入文件中的好(和坏)位置,以基于过去的突变和对应的代码覆盖信息来执行模糊突变。我们实现了几个神经模型,包括LSTM和序列到序列模型,可以编码可变长度的输入文件。我们将我们的模型在国家的最先进的AFL(美国模糊Lop)模糊,并显示显着的改进,在代码覆盖率,独特的代码路径,崩溃的各种输入格式,包括ELF,PNG,PDF和XML。
2017-11-10 cs.LG cs.SE