On Interaction Effects in Greybox Fuzzing
University of Zurich(苏黎世大学);Max Planck Institute for Security and Privacy(马克斯·普朗克安全与隐私研究所)
本文研究灰色盒模糊测试中突变器顺序对测试效果的影响,提出MuoFuzz通过学习突变器序列提升覆盖率和缺陷发现能力。
2025-10-22 cs.SE
Efficient Greybox Fuzzing to Detect Memory Errors
灰盒模糊测试是一种行之有效的测试方法,用于检测现代软件系统中的安全漏洞和其他错误。灰盒模糊还可以与诸如AddressSanitizer(ASAN)之类的杀毒程序结合使用,以进一步增强对某些类别的错误的检测,例如缓冲区溢出和释放后使用错误。然而,消毒剂也引入了额外的性能开销,这可能会降低灰盒模式模糊的性能-用ASAN模糊的2.36倍的数量级测量-首先部分否定了使用消毒剂的好处。最近的研究将额外的开销归因于程序启动/拆卸成本,这可能会主导fork模式模糊。在本文中,我们提出了一个新的内存错误消毒设计,专门针对叉模式模糊优化。其基本思想是使用随机标记来标记对象边界,而不是使用不相交的元数据(如传统的消毒设计所使用的)。然后,所有读/写操作都被检测以检查令牌,如果存在,则将检测到内存错误。由于我们的设计不使用不相交的元数据,它也是非常轻量级的,这意味着程序启动和拆卸成本最小化的fork模式模糊的好处。我们以ReZZan工具的形式实现了我们的设计,并根据配置的不同,显示出1.14- 1.27倍的改进模糊性能开销。
2022-09-04 cs.CR cs.SE
Multiple Targets Directed Greybox Fuzzing
有向灰盒模糊检测(DGF)通过寻找程序的某个位置或按顺序搜索某些位置,可以快速发现或重现程序中的错误。然而,由于其静态的阶段划分和粗粒度的能量调度,现有的DGF工具在面对多个目标位置(简称目标)时表现不佳。在本文中,我们提出了多目标定向灰盒模糊,旨在达到多个程序位置的模糊活动。具体来说,我们提出了一种新的策略,自适应协调探索和开发阶段,和一种新的能源调度策略,考虑更多的种子和目标位置之间的关系。我们在一个名为LeoFuzz的工具中实现了我们的方法,并在现实世界的程序中对崩溃再现,真阳性验证和漏洞暴露进行了评估。实验结果表明,LeoFuzz优于六种最先进的模糊器,即,在有效性和效率方面,QYSM、AFLGo、Lolly、Berry、Beacon和WindRanger。此外,LeoFuzz在现实世界的程序中检测到了23个新的漏洞,其中11个已经被分配了CVE ID。
2022-06-30 cs.CR 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
Targeted Greybox Fuzzing with Static Lookahead Analysis
自动测试生成通常旨在生成输入,以探索被测程序中的新路径,从而发现bug。现有的工作,因此,集中在引导探索程序的部分,更有可能包含错误,通过使用离线静态分析。在本文中,我们介绍了一种新的技术,有针对性的灰盒模糊使用一个在线的静态分析,引导模糊对一组目标位置,例如,位于最近修改的部分程序。这是通过首先从语义上分析模糊器的测试套件中的输入所探索的每个程序路径来实现的。这个分析的结果然后被用来控制模糊器的专用功率调度,其确定从测试套件模糊输入的频率。我们通过为以太坊智能合约扩展最先进的工业模糊器来实现我们的技术,并在27个真实世界的基准测试中评估其有效性。使用在线分析特别适合智能合约领域,因为它不需要任何代码插装-插装到合约中会改变它们的语义。我们的实验表明,有针对性的模糊显着优于标准的灰盒模糊达到83%的挑战性目标位置(高达14倍的中位数加速)。
2019-05-17 cs.CR cs.SE
Harnessing Large Language Models for Seed Generation in Greybox Fuzzing
针对灰盒模糊测试中高质量初始种子生成不足的问题,提出SeedMind系统,利用大型语言模型(LLMs)创建测试用例生成器,通过迭代反馈优化种子生成,提升代码覆盖并发现漏洞,效用优于现有基于LLM的方案。
2024-11-27 cs.CR 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
Large Language Model assisted Hybrid Fuzzing
本文提出一种基于大型语言模型(LLM)的混合模糊测试器 HyLLfuzz,利用 LLM 作为求解器替代传统符号执行来生成修改输入以突破覆盖率障碍,相比 AFL、Intriguer 和 Qsym 展现出更优的覆盖率且执行速度提升 4-19 倍。
2024-12-20 cs.CR cs.SE
LLAMAFUZZ: Large Language Model Enhanced Greybox Fuzzing
University of California, Davis(加州大学戴维斯分校);University of Hong Kong(香港大学)
本文提出LLAMAFUZZ,利用大语言模型生成有效输入,提升灰盒模糊测试对结构化数据的处理能力,实验表明其在发现漏洞方面表现优异。
2026-03-17 cs.AI cs.CR cs.SE
Triggering and Detecting Exploitable Library Vulnerability from the Client by Directed Greybox Fuzzing
Zhejiang University(浙江大学);Central University of Finance and Economics(中央财经大学)
本文提出LiveFuzz方法,基于定向灰盒模糊测试检测客户端程序触发库漏洞的可利用性,无需证明概念,通过目标元组扩展DGF技术,引入抽象路径映射机制和风险自适应突变策略,提升路径覆盖率和漏洞暴露速度。
2026-04-05 cs.CR cs.SE
Harvey: A Greybox Fuzzer for Smart Contracts
我们介绍Harvey,一个用于智能合约的工业灰盒模糊器,智能合约是在区块链上管理账户的程序。灰盒模糊测试是一种轻量级的测试生成方法,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;这使得覆盖由窄检查保护的代码变得具有挑战性,窄检查仅由几个输入值满足。此外,大多数现实世界的智能合约在其生命周期中会经历许多不同的状态,例如,拍卖中的每一次出价为了探索这些状态并由此检测深层漏洞,灰盒模糊器将需要生成合同交易的序列,例如,通过创建来自多个用户的出价,同时保持搜索空间和测试套件易于处理。在这篇经验论文中,我们解释了Harvey如何通过两种关键的模糊技术来应对这两个挑战,并从中吸取了主要的经验教训。首先,Harvey扩展了标准的灰盒模糊,使用一种方法来预测更有可能覆盖新路径或揭示智能合约中漏洞的新输入。其次,它以有针对性和需求驱动的方式模糊交易序列。我们已经对27份真实合同进行了评估。我们的实验表明,底层技术显着提高了Harvey在实现高覆盖率和检测漏洞方面的有效性,在大多数情况下,速度更快;它们还揭示了有关合同代码的新见解。
2019-05-15 cs.CR cs.SE
Beyond Imprecise Distance Metrics: Trace-Guided Directed Greybox Fuzzing via LLM-Predicted Call Stacks
Peking University(北京大学)
通过LLM预测调用栈引导的定向灰盒模糊测试,提升漏洞触发效率并发现新漏洞。
2026-01-31 cs.CR cs.PL cs.SE
StateAFL: Greybox Fuzzing for Stateful Network Servers
模糊网络服务器是一项技术挑战,因为目标服务器的行为取决于其在多个消息序列中的状态。现有的解决方案成本高昂且难以使用,因为它们依赖于手动定制的工件,如协议模型、协议解析器和学习框架。这项工作的目的是开发一个灰盒模糊器(StateaAFL)的网络服务器,只依赖于轻量级的分析的目标程序,没有手动定制,以类似的方式实现无状态程序的AFL模糊。建议模糊仪器的目标服务器在编译时,插入探针的内存分配和网络I/O操作。在运行时,它通过获取长期内存区域的快照,并通过应用模糊哈希算法(局部敏感哈希)将内存内容映射到唯一的状态标识符,来推断目标服务器的当前协议状态。模糊器逐步建立一个协议状态机,用于指导模糊。我们实现并发布了StateaAFL作为开源软件。作为可重复实验的基础,我们将StateaAFL与一系列流行协议的网络服务器集成在一起,无需手动定制以适应协议。实验结果表明,模糊器可以适用于一个大的网络服务器上流行的协议,没有手动定制,它可以实现可比的,甚至更好的代码覆盖率和错误检测比定制的模糊。此外,我们的定性分析表明,从内存推断的状态更好地反映服务器的行为,而不是只使用响应代码的消息。
2022-10-04 cs.CR cs.OS cs.SE
ChainFuzzer: Greybox Fuzzing for Workflow-Level Multi-Tool Vulnerabilities in LLM Agents
Sun Yat-sen University(中山大学)
本文提出ChainFuzzer,通过可审计证据发现和复现多工具漏洞,利用TPS合成稳定提示并结合防护机制提升漏洞触发率,验证了20个流行开源LLM代理应用中的365个可复现漏洞。
2026-03-13 cs.CR cs.SE
Stateful Greybox Fuzzing
针对协议实现中需特定状态才能触发的缺陷,本文提出自动识别 enum 具名常量状态变量并跟踪状态序列的有状态灰盒模糊测试方法,显著提升状态覆盖、代码覆盖和漏洞发现效率。
2022-05-16 cs.CR cs.SE
DeepGo: Predictive Directed Greybox Fuzzing
College of Computer, National University of Defense Technology(计算机学院,国防科技大学)
针对现有定向灰盒模糊测试依赖启发式算法、对未执行路径缺乏预见导致效率低的问题,提出DeepGo工具,结合路径转移模型、VEE预测与RLF模型及动作组概念,通过最优路径高效抵达目标位点。
2025-07-29 cs.LG cs.SE
QFuzz: Quantitative Fuzzing for Side Channels
侧信道对软件系统的机密性构成了重大威胁。此类漏洞的检测和评估具有挑战性,因为它们来自软件的非功能属性,例如执行时间,并且需要对多个执行跟踪进行推理。最近,无干扰的概念已被采用在静态分析,符号执行,和灰盒模糊技术。然而,不干涉是一个严格的概念,即使信息泄漏的强度很弱,也可能拒绝安全性。安全性的定量概念允许放松不干涉,并容忍小的(不可避免的)泄漏。尽管近年来取得了进展,但现有的定量方法在实践中具有可扩展性限制。在这项工作中,我们提出了QFuzz,灰盒模糊技术定量评估的强度侧通道的最小熵为重点。最小熵是一种基于可区分的观察(分区)数量的度量,用于评估来自试图一次尝试就泄露秘密的攻击者的威胁。我们开发了一种新的灰盒模糊配备了两个分区算法,试图最大限度地提高可区分的意见和它们之间的成本差异。我们评估QFuzz的一个大的基准集从现有的工作和现实世界的图书馆(共70个科目)。QFuzz与三种最先进的检测技术相比毫不逊色。QFuzz提供了超出所有三种技术能力的关于泄漏的定量信息。至关重要的是,我们比较QFuzz的一个国家的最先进的量化工具,并发现QFuzz显着优于工具的可扩展性,同时保持类似的精度。总的来说,我们发现我们的方法可以很好地扩展到现实世界的应用程序,并提供有用的信息来评估由此产生的威胁。此外,QFuzz还识别了一个零D...
2021-07-08 cs.CR 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
Investigating Metamorphic Fuzz Oracle Enhancement via Large Language Models
Tsinghua University(清华大学)
提出基于大语言模型的MetaFOE框架,自动生成和集成蜕变关系以增强模糊测试预言,在OSS-Fuzz驱动上平均提升18.7%边覆盖并触发1528个独特崩溃。
2026-06-15 cs.CR 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
Evolutionary Mutation-based Fuzzing as Monte Carlo Tree Search
基于覆盖率的灰盒模糊检测(CGF)已被证实可以有效地发现安全漏洞。种子调度是从种子库中选择一个输入作为下一次模糊迭代的种子的过程,在CGF中起着核心作用。虽然已经提出了许多种子调度策略,他们中的大多数单独对待这些种子,并没有显式地考虑种子之间的关系。在这项研究中,我们做了一个关键的观察,种子之间的关系是有价值的种子调度。我们设计并提出了一个“种子突变树”,通过调查和利用种子之间的突变关系。利用“种子变异树”,我们进一步将种子调度问题建模为一个蒙特卡罗树搜索(MCTS)问题。也就是说,我们选择下一个种子模糊通过步行这个“种子突变树”通过最佳路径,基于MCTS的估计。我们实现了两个原型,AFL之上的AlphaFuzz和AFL++之上的AlphaFuzz++。三个数据集(UniFuzz数据集,CGC二进制文件和12个真实世界的二进制文件)的评估结果表明,AlphaFuzz和AlphaFuzz++优于最先进的模糊器,具有更高的代码覆盖率和更多的发现漏洞。特别是,AlphaFuzz发现了3个新的漏洞与CVE。
2022-06-15 cs.CR cs.SE
DogeFuzz: A Simple Yet Efficient Grey-box Fuzzer for Ethereum Smart Contracts
本文提出DogeFuzz,一个支持黑盒及两种灰盒策略的以太坊智能合约模糊测试基础设施,实验表明其在未使用符号执行或机器学习的情况下仍优于sFuzz和ILF,但不及Smartian。
2024-09-03 cs.CR cs.SE
MicroFuzz: An Efficient Fuzzing Framework for Microservices
本文提出MicroFuzz,一个面向微服务的高效模糊测试框架,通过模拟辅助种子执行、分布式追踪等方法应对环境复杂性,在蚂蚁集团部署后检测出5718个风险,并提升覆盖率12.24%。
2024-01-10 cs.SE
White-box Fuzzing RPC-based APIs with EvoMaster: An Industrial Case Study
远程过程调用(RPC)是一种通信协议,用于支持网络上服务之间的客户端-服务器交互。RPC广泛应用于构建大规模分布式系统,如微服务。现代RPC框架包括Thrift、gRPC、SOFARPC和Dubbo等。由于分布式系统的复杂性和系统可能采用的各种RPC框架,测试这样的系统非常具有挑战性。据我们所知,目前还没有任何工具或解决方案可以对现代基于RPC的服务进行自动化测试。为了填补这一空白,在本文中,我们提出了文献中的第一种方法,以及一个开源工具,用于通过搜索对现代基于RPC的API进行白盒模糊。为了评估我们的新方法,我们对我们的工业合作伙伴选择的两种人工和四种工业API进行了实证研究。该工具已被集成到一个实际的工业流水线,并可以应用于实际的工业开发过程中的模糊基于RPC的API。为了进一步证明其在工业环境中的有效性和应用,我们还报告了使用我们的工具对我们的工业合作伙伴在其测试过程中自主进行的另外50种工业API进行模糊处理的结果。结果表明,我们的新方法能够为基于RPC的工业API(即,两个人工和54个工业)。我们还比较了一个简单的灰盒技术和现有的手动编写的测试。我们的白盒解决方案在代码覆盖率方面实现了显著的改进。在故障检测方面,通过与我们的工业合作伙伴仔细审查我们在选定的四种工业API中采用新方法生成的测试,共识别出41个实际故障,现已修复。另有8,377个检测到的故障正在调查中。
2023-02-03 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
GapFuzz: Cross-Plane Divergence Fuzzing for Distributed SDN Controllers
SnT, University of Luxembourg(卢森堡大学 SnT);Cheikh H. KANE Digital University(谢赫·哈·卡恩数字大学)
提出GapFuzz,通过注入矛盾北向请求并重构跨平面状态,检测分布式SDN集群中因异步复制导致的控制-数据平面分歧,在ONOS 2.7上81.7%尝试产生分歧。
2026-08-12 cs.SE
Testing Storage-System Correctness: Challenges, Fuzzing Limitations, and AI-Augmented Opportunities
Institute of Computing Technology, Chinese Academy of Sciences (ICT, CAS)(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Zhongguancun Laboratory(中关村实验室)
本文探讨了存储系统正确性测试的挑战,分析了模糊测试的局限性,并提出了利用人工智能技术提升测试效果的可能性。
2026-02-06 cs.AI cs.CR cs.SE
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
Reward Augmentation in Reinforcement Learning for Testing Distributed Systems
Max Planck Institute for Software Systems (MPI-SWS)(马克斯·普朗克软件系统研究所);CNRS(法国国家科学研究中心);Ecole Polytechnique(巴黎综合理工学院);Chennai Mathematical Institute(金奈数学研究所);IRIF(法国信息学研究所);Universite Paris Cite(巴黎西岱大学)
本文提出基于强化学习的分布式协议测试方法,通过衰减探索奖励和语义路径点两种奖励增强技术解决奖励稀疏问题,在RedisRaft、Etcd和RSL上显著提升了覆盖率和缺陷发现能力。
2024-09-02 cs.DC cs.LG cs.PL