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
DyMA-Fuzz: Dynamic Direct Memory Access Abstraction for Re-hosted Monolithic Firmware Fuzzing
Adelaide University(阿德莱德大学);CSIRO Data61(澳大利亚联邦科学与工业研究组织数据六一分部)
DyMA-Fuzz通过动态直接内存访问抽象,提升重新托管环境中固件模糊测试的效率和覆盖率。
2026-02-09 cs.CR cs.SE
Empirical Notes on the Interaction Between Continuous Kernel Fuzzing and Development
自20世纪90年代以来,模糊技术得到了广泛的研究和应用。自动化和持续的模糊最近也被应用于开源软件项目,包括Linux和BSD内核。本文集中在四个开源内核中的连续内核模糊化的实际方面。根据结果,syzkaller/syzbot框架报告了四个内核的800多个未解决的崩溃。其中许多在相当长的时间以前就已经报道过了。有趣的是,模糊引起的bug在BSD内核中得到了更快的解决。此外,断言和调试检查、释放后使用和一般保护错误占Linux内核中大多数错误类型。在Linux内核中,大约23%的已修复错误已经通过了代码审查或额外的测试。最后,只有代码扰动提供了一个微弱的统计信号来解释Linux内核中相关的bug修复时间。
2019-09-05 cs.CR cs.SE
An Empirical Study of OSS-Fuzz Bugs
连续模糊是一种越来越流行的自动质量和安全保证技术。Google维护OSS-Fuzz:一个针对开源软件的持续模糊服务。我们对OSS-Fuzz进行了第一次实证研究,分析了在316个项目中发现的23,907个错误。我们研究的模糊发现故障的特点,这种故障的生命周期,随着时间的推移,模糊运动的演变。我们发现,OSS-Fuzz通常能有效地快速找到bug,开发人员通常能快速修补它们。然而,漏洞,超时,内存不足的错误是有问题的,人们很少文件的安全漏洞的CVE,和模糊活动往往表现出间断的均衡,开发人员可能会惊讶于发现的bug的大峰值。我们的研究结果对未来的模糊研究和实践的影响。
2021-03-21 cs.CR cs.SE
SnapFuzz: An Efficient Fuzzing Framework for Network Applications
近年来,模糊测试得益于计算能力的提高和重要的算法进步,导致系统在生产软件中发现了许多关键漏洞和漏洞。尽管取得了这些成功,但并不是所有的应用程序都可以有效地模糊化。具体地,诸如网络协议实现之类的有状态应用受到其低模糊吞吐量以及开发重置其状态并隔离其副作用的模糊利用的需要的约束。在本文中,我们提出了SnapFuzz,一种新的模糊框架的网络应用程序。SnapFuzz提供了一个强大的架构,可以将缓慢的异步网络通信转换为快速的同步通信,在最新的安全点对目标进行快照,通过将所有文件操作重定向到自定义的内存中文件系统来加速所有文件操作,并消除了对许多脆弱修改的需求,例如配置时间延迟或编写清理脚本,以及其他几项改进。使用SnapFuzz,我们模糊了五个流行的网络应用程序:LightFTP,TinyDTLS,Dnsmasq,LIVE555和Dcmqrscp。我们报告了令人印象深刻的性能加速比,分别为62.8倍,41.2倍,30.6倍,24.6倍和8.4倍,在所有情况下都具有明显更简单的模糊控制。通过其性能优势,SnapFuzz还发现,与AFLNet相比,在这些应用程序中多了12个崩溃。
2022-04-19 cs.CR cs.SE
INSTILLER: Towards Efficient and Realistic RTL Fuzzing
针对现有CPU RTL模糊测试输入指令过长、难模拟真实中断等问题,提出基于VACO的指令蒸馏工具INSTILLER,搭配硬件相关种子策略,在覆盖率、漏洞检测等指标上优于现有方法。
2024-01-29 cs.CR cs.SE
FuzzAgent: Multi-Agent System for End-to-End Evolutionary Library Fuzzing
The University of Hong Kong(香港大学);Southeast University(东南大学)
FuzzAgent通过多智能体协作实现库模糊测试的迭代进化,提升覆盖率和崩溃分析的准确性,优于现有方法45.1%至191.2%。
2026-10-30 cs.CR cs.SE
AFLGopher: Accelerating Directed Fuzzing via Feasibility-Aware Guidance
University of Minnesota - Twin Cities(明尼苏达大学双城分校);IBM T.J. Watson Research Center(IBM T.J.沃森研究中心)
针对现有定向模糊测试引导机制未考虑路径可行性的问题,提出可行性感知引导的定向模糊测试工具AFLGopher,经实验验证其抵达目标、触发已知漏洞的速度显著优于当前最优同类工具。
2025-11-13 cs.CR cs.SE
Improving Fuzzing Using Software Complexity Metrics
易受攻击的软件对现代信息系统构成了巨大的威胁。广泛应用程序中的漏洞可能被用来传播恶意软件,窃取资金和进行目标攻击。为了解决这个问题,开发人员和研究人员使用不同的动态和静态软件分析方法;其中一种方法称为模糊分析。Fuzzing是通过生成并发送可能格式错误的数据到被测应用程序来执行的。自1988年首次出现以来,模糊技术已经发展了很多,但直到现在,针对有效性评估的问题还没有得到充分的研究。在我们的研究中,我们提出了一种新的模糊效果评估方法,考虑到执行代码的语义以及定量评估。为此,我们使用源代码复杂性评估的具体指标,适用于执行分析的机器码。我们对104个具有已知漏洞的广泛应用程序进行了这些指标的有效性评估。作为这些实验的结果,我们能够识别出一组更适合发现bug的指标。此外,我们进行了单独的实验,7个应用程序没有已知的漏洞,通过使用一套指标。实验结果表明,该方法可以提高模糊检测的性能。此外,这些工具还帮助检测了广泛应用程序中的两个关键零日(以前未知)漏洞。
2018-07-05 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
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
HFContractFuzzer: Fuzzing Hyperledger Fabric Smart Contracts for Vulnerability Detection
区块链技术凭借其去中心化、不可变性等独特优势,近年来在各个领域得到广泛应用。运行在区块链上的智能合约也在去中心化应用场景中发挥着越来越重要的作用。因此,智能合约安全漏洞的自动检测成为区块链技术应用中亟待解决的问题。Hyperledger Fabric是一个基于企业级许可分布式账本技术的智能合约平台。然而,Hyperledger Fabric智能合约的漏洞检测技术研究仍处于起步阶段。在本文中,我们提出了HFContractFuzzer,这是一种基于Fuzzing技术来检测Hyperledger Fabric智能合约的方法,它结合了一个名为go-fuzz的golang Fuzzing工具和golang编写的智能合约。我们使用HFContractFuzzer从典型的来源中检测出五个合同中的漏洞,发现其中四个存在安全漏洞,证明了所提出的方法的有效性。
2021-06-21 cs.CR cs.SE
An Empirical Study on the Distance Metric in Guiding Directed Grey-box Fuzzing
本文首次实证研究不同距离度量在定向灰盒模糊测试中的引导效果,发现其差异不显著且难以描述触发漏洞难度,并揭示现有变异策略生成高质量测试用例的局限性,呼吁设计更有效的变异策略。
2024-09-19 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
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
An Exploratory Survey of Hybrid Testing Techniques Involving Symbolic Execution and Fuzzing
最近在实际符号执行方面的努力已经成功地在一定程度上缓解了路径爆炸问题,基于搜索的算法和组合方法。类似地,由于廉价多核商品计算机的性能提高,模糊作为一种可行的基于随机变异的测试方法也有希望。然而,结合符号执行和模糊,从而提供一个机会,以减轻彼此的缺点的可能性,还没有得到充分的探讨。例如,模糊可以加速符号执行中的路径探索,符号执行可以使模糊中的种子输入生成更有效。在我们看来,只有很少的混合解决方案提案以象征性的执行和模糊为中心。通过对77篇相关文献的分析,本文(1)对符号执行和模糊化的混合解决方案进行了综述,(2)分析了改进普通符号执行和模糊化的混合技术研究的差距,(3)提出了混合测试用例生成技术的新思路。
2017-12-19 cs.SE
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
Does Programming Language Matter? An Empirical Study of Fuzzing Bug Detection
Nara Institute of Science and Technology(奈良先端科学技术大学院大学);The University of Osaka(大阪大学);Nara Women’s University(奈良女子大学)
本研究通过大规模跨语言分析,揭示了编程语言对模糊测试漏洞检测效率和特性的影响,为语言感知的模糊测试策略提供依据。
2026-02-05 cs.SE
Greybox fuzzing time-intensive programs
本文从几何视角研究定向灰盒模糊测试,提出并评估了面向时间密集型程序的模糊测试器 GoExploreFuzz,展示了其在量化路径多样性和自主调节变异带宽方面的能力。
2023-11-28 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
Fuzz Smarter, Not Harder: Towards Greener Fuzzing with GreenAFL
King’s College London(伦敦国王学院);The Federal Institute of Education, Science, and Technology of Alagoas(阿拉戈斯联邦教育、科学与技术学院)
针对传统模糊测试能耗高、碳足迹大的问题,提出能源感知框架GreenAFL,通过功耗感知的语料库最小化与能源引导变异启发式,在保持覆盖率的同时降低能耗,实现更绿色的模糊测试。
2025-10-29 cs.SE
Improving Function Coverage with Munch: A Hybrid Fuzzing and Directed Symbolic Execution Approach
模糊和符号执行是用于发现漏洞和生成程序测试用例的流行技术。Fuzzing是一种改变种子输入值的黑盒方法,通常无法生成执行程序中所有路径的不同输入。由于路径爆炸问题和对SMT求解器的依赖,符号执行也可能无法实现高路径覆盖。涉及模糊和符号执行的混合技术可以比单独的模糊或符号执行实现更好的函数覆盖。在本文中,我们提出了蒙克,一个开源框架实现两种混合技术的基础上模糊和符号执行。我们的经验表明,使用九个大型的开源源程序,总体而言,蒙克实现更高的(深入)功能覆盖率比符号执行或模糊。使用指标的基础上,总分析时间和数量的查询发出的SMT求解器,我们还表明,蒙克是更有效地实现更好的功能覆盖。
2017-12-12 cs.SE
Learn&Fuzz: Machine Learning for Input Fuzzing
Microsoft Research(微软研究院);The Technion(以色列理工学院)
Fuzzing包括使用修改的或模糊的输入反复测试应用程序,目的是找到输入解析代码中的安全漏洞。在本文中,我们将展示如何自动生成一个输入语法适合使用样本输入和基于神经网络的统计机器学习技术的输入模糊。我们提出了一个详细的案例研究与复杂的输入格式,即PDF,和一个大型复杂的安全关键的解析器,这种格式,即嵌入在微软的新边缘浏览器的PDF解析器。我们讨论(和测量)冲突的学习和模糊目标之间的紧张关系:学习想要捕获格式良好的输入的结构,而模糊想要打破这种结构,以覆盖意外的代码路径和发现错误。我们还提出了一种新的算法,这种学习和模糊的挑战,它使用一个学习的输入概率分布,智能地指导在哪里模糊输入。
2017-01-25 cs.AI cs.CR cs.LG
RULF: Rust Library Fuzzing via API Dependency Graph Traversal
鲁棒性是Rust库开发的一个关键问题,因为Rust承诺如果开发人员只使用安全的API,就不会有未定义行为的风险。Fuzzing是一种检验程序健壮性的实用方法。然而,由于缺乏模糊目标,现有的模糊工具不能直接应用于库API。模糊目标的设计主要依靠人工逐个设计,劳动强度大。为了解决这个问题,本文提出了一种新的自动模糊目标生成方法,通过API依赖图遍历模糊Rust库。我们确定了图书馆模糊化的几个基本要求,包括模糊目标的有效性和有效性,高API覆盖率和效率。为了满足这些要求,我们首先采用宽度优先搜索修剪找到API序列的长度阈值下,然后我们向后搜索更长的序列未覆盖的API,最后我们优化的序列集作为一个集合覆盖问题。我们实现了我们的模糊目标生成器,并进行模糊实验与AFL++在几个现实世界中流行的Rust项目。我们的工具最终为每个库生成7到118个模糊目标,API覆盖率高达0.92。我们以24小时为阈值对每个目标进行了测试,并从7个库中找到了30个以前未知的bug。
2021-10-22 cs.SE
R1-Fuzz: Specializing Language Models for Textual Fuzzing via Reinforcement Learning
The University of Hong Kong(香港大学)
R1-Fuzz提出首个利用强化学习专门化低成本语言模型进行文本模糊测试的框架,通过覆盖切片问题构建和距离奖励,使7B模型在覆盖率上超越先进模糊器75%并发现29个新漏洞。
2025-09-21 cs.AI cs.CR cs.PL
Fuzzing: Randomness? Reasoning! Efficient Directed Fuzzing via Large Language Models
Security Technology Inc.(360安全技术公司);School of Science Edith Cowan University(科学学院,埃迪斯科文大学)
针对模糊测试中随机性导致效率低下的问题,提出融合大语言模型的定向模糊测试框架RandLuzz,通过生成可达种子、构建漏洞专属变异器提升测试效率,实验验证其相较现有工具速度提升显著。
2025-06-30 cs.AI cs.CR cs.PL
State Selection Algorithms and Their Impact on The Performance of Stateful Network Protocol Fuzzing
The University of Melbourne(墨尔本大学);LMU Munich(慕尼黑大学)
网络协议实现的状态属性对测试和验证技术(包括Fuzzing)提出了独特的挑战。状态模糊器通过利用状态模型来划分状态空间并辅助测试生成过程来解决这一挑战。由于不是所有的状态都同样重要,并且模糊活动有时间限制,因此模糊器需要有效的状态选择算法来优先考虑渐进状态。已经提出了几种状态选择算法,但它们在不同的平台上分别实现和评估,因此很难获得结论性的结果。在这项工作中,我们评估了一组广泛的状态选择算法在同一个模糊平台,即AFLNet,一个国家的最先进的模糊网络服务器。该算法集包括AFLNet支持的现有算法和我们称为AFLNetLegion的新颖且有原则的算法。在ProFuzzBench基准测试上的实验结果表明:(i)AFLNet现有的状态选择算法实现了非常相似的代码覆盖率,(ii)AFLNetLegion在选定的案例研究中明显优于这些算法,但(iii)整体改进似乎微不足道。这些都是意想不到的有趣发现。我们发现问题并分享见解,这可能为未来关于这一主题的研究提供机会。
2022-01-07 cs.CR 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
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
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
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
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
On the Challenges of Fuzzing Techniques via Large Language Models
School of Electrical and Computer Engineering, The University of Sydney(悉尼大学电气与计算机工程学院);The University of Sydney(悉尼大学);Department of Computer Science, The University of Tokyo(东京大学计算机科学系);The University of Tokyo(东京大学)
本文针对现有模糊测试自动化不足、漏洞持续演变的问题,首次系统综述大语言模型与模糊测试交叉领域的研究进展,分析前沿方法并展望其推动自动化软件测试的潜力。
2025-05-18 cs.AI cs.SE
Selecting Initial Seeds for Better JVM Fuzzing
针对现有种子选择方法是否适配JVM模糊测试的疑问,设计三类共10种种子选择方法,经多JVM、多模糊测试技术的实证验证,基于控制流图的程序特征法性能最优,可提升漏洞检测效率与效果。
2024-08-16 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
Improving Grey-Box Fuzzing by Modeling Program Behavior
Bloomberg(彭博社)
灰盒模糊器,如美国模糊Lop(AFL)是流行的工具,用于发现程序中的错误和潜在的漏洞。虽然这些模糊器已经能够在许多广泛使用的程序中找到漏洞,但它们并不高效;在AFL在典型的模糊运行中执行的数百万输入中,只有少数发现了不可见的行为或触发崩溃。其余的输入是冗余的,表现出已经观察到的行为。在这里,我们提出了一种方法,以提高效率的模糊器,如AFL应用机器学习直接模拟程序的行为。我们学习了一个前向预测模型,该模型将程序输入映射到执行轨迹,并在标准模糊化过程中收集的数千个输入上进行训练。这个学习的模型通过关注模糊输入来指导探索,我们的模型在这些输入上是最不确定的(通过预测的执行跟踪分布的熵来测量)。通过专注于执行我们的学习模型不确定的输入,并忽略我们的模型确定其行为的任何输入,我们表明我们可以显着限制浪费的执行。通过测试我们的方法发布的一组二进制文件作为DARPA网络大挑战的一部分,我们表明,我们的方法是能够找到一组输入,导致更多的代码覆盖率和发现的崩溃比基线模糊明显更少的执行。
2018-11-21 cs.AI cs.SE