IvySyn: Automated Vulnerability Discovery in Deep Learning Frameworks
本研究提出首个全自动化深度学习框架内存错误漏洞发现框架IvySyn,通过类型感知模糊测试和高级代码片段合成验证漏洞,测试TensorFlow、PyTorch已发现61个新漏洞、分配39个CVE,效率效果优于过往方法。
2023-04-27 cs.CR
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
AutoMESC: Automatic Framework for Mining and Classifying Ethereum Smart Contract Vulnerabilities and Their Fixes
由于智能合约中的漏洞所带来的风险,其安全性近年来受到了极大的关注。然而,缺乏关于智能合约漏洞及其修复的开放数据集,从而可以进行数据驱动的研究。为此,我们提出了一种自动化方法,用于从GitHub和国家漏洞数据库中的常见漏洞和暴露(CVE)记录中挖掘和分类以太坊的智能合约漏洞及其相应的修复。我们在一个完全自动化的框架中实现了所提出的方法,我们称之为AutoMESC。AutoMESC使用七种最知名的智能合约安全工具,根据漏洞类型对收集到的漏洞进行分类和标记。此外,它还收集可用于数据密集型智能合约安全研究的元数据(例如,漏洞检测、漏洞分类、严重性预测和自动修复)。我们使用AutoMESC构建了一个样本数据集,并将其公开。目前,该数据集包含6700个以Solidity编写的智能合约的可行性修复对。我们从准确性、来源和相关性方面评估了构建数据集的质量,并将其与现有数据集进行比较。AutoMESC旨在持续收集数据,并通过GitHub和CVE记录中新发现的智能合约漏洞及其修复程序来更新相应的数据集。
2022-12-20 cs.CR cs.SE
Data-Driven Vulnerability Detection and Repair in Java Code
Java平台提供了各种API来促进安全编码。然而,对于缺乏网络安全培训的开发人员来说,正确使用安全API通常具有挑战性。先前的工作表明,许多开发人员滥用安全API;这种滥用可能会将漏洞引入软件,使安全保护无效,并向黑客提供安全漏洞。为了消除这种API相关的漏洞,本文提出了SEADER -我们的新方法,检测和修复安全API滥用。给定一个示例性的不安全代码片段及其安全对应代码片段,SEADER会比较这些代码片段并进行数据依赖性分析,以推断安全API滥用模板和相应的修复操作。根据推断的信息,给定一个程序,SEADER执行过程间静态分析,以搜索任何安全API滥用,并针对这些漏洞提出定制的修复建议。为了评估SEADER,我们将其应用于25个<不安全,安全>代码对,SEADER成功地推断出18个独特的API误用模板和相关修复。通过这些漏洞修复模式,我们进一步将SEADER应用于10个开源项目,这些项目总共包含32个已知漏洞。我们的实验表明,SEADER检测漏洞的准确率为100%,召回率为84%,准确率为91%。此外,我们将SEADER应用于100个Apache开源项目,并检测到988个漏洞; SEADER始终正确地定制修复建议。根据SEADER的输出,我们提交了60个pull requests。截至目前,已有18个项目的开发商对SEADER的建议给予了积极的反馈。我们的研究结果表明,SEADE…
2021-02-13 cs.CR cs.SE
Killing One Bird with Two Stones: Model Extraction and Attribute Inference Attacks against BERT-based APIs
Zhejiang University(浙江大学);Monash University(蒙纳士大学);Sony AI(索尼人工智能);Microsoft Research Asia(微软亚洲研究院)
大数据的收集和可用性,以及预先训练模型的进步(例如,BERT、XLNET等)已经彻底改变了从文本分类到文本生成的现代自然语言处理任务的预测性能。这允许企业通过将微调的基于BERT的模型封装为API来提供机器学习即服务(MLaaS)。然而,基于BERT的API存在一系列安全和隐私漏洞。例如,先前的工作已经通过提取模型制作的对抗性示例利用了基于BERT的API的安全问题。然而,基于BERT的API通过提取的模型的隐私泄漏问题还没有得到很好的研究。另一方面,由于基于BERT的API的高容量,微调后的模型很容易被过度学习,但从提取的模型中可能泄露什么样的信息仍然是未知的。在这项工作中,我们首先提出了一个有效的模型窃取攻击,其中对手几乎可以窃取基于BERT的API(目标/受害者模型),只查询有限数量的查询,以弥补这一差距。我们进一步开发了一种有效的属性推断攻击,可以推断出基于BERT的API所使用的训练数据的敏感属性。我们在各种现实设置下对基准数据集进行了广泛的实验,验证了基于BERT的API的潜在漏洞。此外,我们证明了两种有前途的防御方法对我们的攻击变得无效,这需要更有效的防御方法。
2021-12-26 cs.CL cs.CR cs.LG
Uncovering and Exploiting Hidden APIs in Mobile Super Apps
本研究针对移动超级应用中存在的无文档、不安全隐藏API风险,开发结合静态与动态分析的APIScope工具,在五款热门超级应用中发现大量可被利用的隐藏API并验证其安全危害,相关漏洞已上报厂商并获部分修复。
2023-06-13 cs.CR
A Small Leak Will Sink Many Ships: Vulnerabilities Related to Mini Programs Permissions
小程序作为一种新的移动应用形式,在一个更大的应用程序中运行,并使用HTML,CSS和JavaScript Web技术构建,已经成为在中国几乎做任何事情的方式。本文对小程序的权限问题进行了研究。我们对9个流行的移动应用生态系统进行了系统研究,这些生态系统承载了超过700万个小程序,并测试了超过2,580个API,以更好地了解这些新兴系统。我们提取了一个通用的小程序权限控制抽象模型,揭示了权限环境中的六类潜在安全漏洞。值得警惕的是,目前正在研究的流行移动应用生态系统(主机应用)至少存在一个安全漏洞。我们提出了相应的攻击方法来剖析这些潜在的弱点,进一步利用发现的漏洞。为了证明所揭示的漏洞可能会在实际使用中造成严重后果,我们展示了三种与小程序权限相关的攻击。我们已经负责任地披露了新发现的漏洞,并进行了正式确认和修改。最后,提出了加强小程序规范化建设的系统建议。
2022-05-30 cs.CR
Example-Based Vulnerability Detection and Repair in Java Code
Java库JCA和JSSE提供了加密API以促进安全编码。当开发人员滥用某些API时,他们的代码容易受到网络攻击。为了消除这些漏洞,人们构建了通过模式匹配检测安全API滥用的工具。然而,大多数工具不(1)修复误用或(2)允许用户扩展工具的模式集。为了克服这两个限制,我们创建了Seader--一种基于示例的方法来检测和修复安全API滥用。给定一个示例<insecure,secure>代码对,Seader比较代码片段以推断任何API滥用模板和相应的修复编辑。根据推断出的信息,给定一个程序,Seader执行过程间静态分析来搜索安全API误用并提出定制的修复方案。为了进行评估,我们将Seader应用于28个<不安全,安全>代码对; Seader成功地推断出21个独特的API误用模板和相关修复。通过这些<vulnerability,fix>模式,我们将SEADER应用于一个有86个已知漏洞的程序基准测试。Seader以95%的准确率、72%的召回率和82%的F分数检测到漏洞。我们还将Seader应用于100个开源项目,并手动检查了77个建议的修复;其中76个修复是正确的。Seader可以帮助开发人员正确使用安全API。
2022-04-28 cs.CR cs.SE
XSS Vulnerabilities in Cloud-Application Add-Ons
云应用附加组件是扩展核心应用功能的微服务。许多应用程序供应商已经为第三方开发人员开放了他们的API,并为插件(也是插件或应用程序)创建了市场。这是一个相对较新的现象,其对应用程序安全性的影响尚未得到广泛研究。似乎有些附加组件的代码质量比核心应用程序本身的代码质量要低,因此可能会带来安全漏洞。我们发现许多这样的附加组件容易受到跨站点脚本(XSS)的攻击。攻击者可以利用云应用程序的文档共享和消息传递功能向它们发送恶意输入。然后,易受攻击的加载项通过精心构建的恶意输入执行客户端JavaScript。在一项重大的分析工作中,我们系统地研究了三个流行应用程序套件(即Microsoft Office Online,G Suite和Shopify)的300个附加组件,并在每个市场中发现了相当大比例的易受攻击的附加组件。我们提出了这项研究的结果,以及分析的附加架构,以了解如何利用XSS漏洞,以及如何减轻威胁。
2019-11-27 cs.CR
Mining Characteristics of Vulnerable Smart Contracts Across Lifecycle Stages
School of Cyberspace Security, Hainan University(海南大学网络空间安全学院)
本文首次对智能合约整个生命周期(部署、执行、升级、销毁)进行实证研究,提出七个特征,并用五个机器学习模型识别各阶段漏洞,发现漏洞合约在不同阶段具有不同交易特征和网络属性。
2025-04-21 cs.AI cs.CR
NatiDroid: Cross-Language Android Permission Specification
Android系统通过权限实施来管理对敏感API的访问。应用程序(app)必须在调用特定Android API之前声明适当的权限。但是,到目前为止,还没有官方文档提供受权限保护的API的完整列表和相应的权限。研究人员花费了大量精力从Android API框架中提取此类API保护映射,该框架利用静态代码分析来确定在访问API之前是否需要特定权限。然而,他们中没有一个试图分析本机库中的保护映射(即,用C和C++编写的代码),这是Android框架的一个重要组件,负责处理与较低级别硬件(如摄像头和传感器)的通信。虽然保护映射可用于检测Android应用程序中的各种安全漏洞,例如权限过度特权和组件劫持,但不精确的映射将导致检测此类安全漏洞的错误结果。为了填补这一空白,我们开发了一个原型系统,名为NatiDroid,以促进跨语言的静态分析基准对两个国家的最先进的工具,称为Axplorer和Arcade。我们在超过11,000个Android应用程序上评估NatiDroid,包括来自自定义Android ROM的系统应用程序和来自Google Play的第三方应用程序。我们的NatiDroid可以识别多达464个新的API权限映射,与Axplorer和Arcade的最坏情况结果形成鲜明对比,其中大约71%的应用程序在权限过度特权方面至少有一个误报,高达3.6%的应用程序在组件劫持方面至少有一个…
2021-11-16 cs.CR
GraphQLer: Enhancing GraphQL Security with Context-Aware API Testing
Simon Fraser University(西蒙菲莎大学);Forward Security
GraphQLer是一款开源GraphQL API安全测试框架,通过构建依赖图合成漏洞链,在多类API上的漏洞检测和覆盖率表现显著优于ZAP、EvoMaster等基线工具。
2026-08-05 cs.CR cs.SE
VulLink: A Dynamic Open-Access Vulnerability Graph Database for Cybersecurity Data Mining
La Trobe University(拉筹伯大学);Victoria University(维多利亚大学)
提出VulLink,一种通过自动化ETL管道集成多源漏洞数据、提供图数据库、Web接口和API的动态开放平台,支持漏洞利用性预测等下游挖掘任务。
2026-06-18 cs.CR cs.DB
Dynamic Risk Assessment by Bayesian Attack Graphs and Process Mining
DIETI University of Naples Federico II(那不勒斯费德里科二世大学DIETI部门);Department of Engineering University Campus Bio-Medico of Rome(罗马生物医学大学工程学院)
本文结合贝叶斯攻击图与过程挖掘技术,动态评估系统漏洞被利用的可能性,通过分析网络流量检测漏洞利用行为,更新概率表以实现风险评估。
2026-04-20 cs.CR cs.LG cs.NI
Enhancing REST API Fuzzing with Access Policy Violation Checks and Injection Attacks
Erciyes University(埃尔齐耶斯大学);Kristiania University College(克里斯蒂亚尼亚大学学院);Beihang University(北京航空航天大学);Oslo Metropolitan University(奥斯陆都市大学)
本文提出新型自动化或acles检测REST API访问策略违规及传统攻击,集成EvoMaster fuzzers,通过模糊测试发现安全问题。
2026-04-01 cs.CR cs.SE
AiRacleX: Automated Detection of Price Oracle Manipulations via LLM-Driven Knowledge Mining and Prompt Generation
Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)(高性能计算研究所(科技研究局));Singapore Management University(新加坡管理大学)
针对DeFi价格预言机操纵检测依赖专家手动工作的问题,提出AiRacleX框架,通过LLM驱动知识挖掘与提示生成自动检测,实验显示最佳组合召回率较GPTScan提升2.58倍,还能以开源模型替代商业模型提升隐私安全。
2025-02-11 cs.AI cs.CR
To Fix or Not to Fix: A Critical Study of Crypto-misuses in the Wild
最近的研究表明,使用加密API的Android应用程序中有87%到96%存在可能导致安全漏洞的滥用。由于以前的研究没有对结果的有效性和严重性进行定性检查,我们的目标是更深入地了解结果。我们分析了一组936个开源Java应用程序的加密滥用。我们的研究表明,88.10%的分析应用程序未能安全地使用加密API。通过对随机样本的手动分析,我们对有效的误报有了新的认识。例如,频繁误用的JCA类MessageDigest的每四次误用都是一次有效的误报,因为它发生在非安全上下文中。由于我们希望更深入地了解这些滥用的安全影响,我们为加密API滥用创建了一个广泛的漏洞模型。我们的模型包括以前未讨论的攻击,如DoS攻击的加密API的上下文中。该模型显示,近一半的滥用是高度严重的,例如,硬编码凭证和潜在的中间人攻击
2023-03-24 cs.CR cs.SE