ConFL：面向机器学习框架的约束引导模糊测试
软件工程
2023-07-13 v1 密码学与安全
机器学习
摘要
随着机器学习在社会各领域自动化决策中日益突出，人们对机器学习（ML）框架潜在漏洞的担忧也随之上升。然而，由于这些框架实现复杂，测试它们是一项艰巨任务。先前关于 ML 框架模糊测试的研究难以有效提取输入约束并生成有效输入，导致深层执行或暴露目标崩溃的模糊测试耗时延长。本文中，我们提出 ConFL，一种面向 ML 框架的约束引导模糊测试器。ConFL 无需任何先验知识即可从内核代码中自动提取约束。在约束引导下，ConFL 能够生成可通过验证的有效输入，并探索内核代码的更深路径。此外，我们设计了一种分组技术以提升模糊测试效率。为证明 ConFL 的有效性，我们主要在 Tensorflow 上评估其性能。我们发现 ConFL 能够比最先进（SOTA）模糊测试器覆盖更多代码行，并生成更多有效输入。更重要的是，ConFL 在不同版本 Tensorflow 中发现了 84 个先前未知的漏洞，均被分配新的 CVE 编号，其中 3 个为严重级别、13 个为高级别。我们还将 ConFL 扩展至测试 PyTorch 与 Paddle，迄今已发现 7 个漏洞。
关键词
引用
@article{arxiv.2307.05642,
title = {ConFL: Constraint-guided Fuzzing for Machine Learning Framework},
author = {Zhao Liu and Quanchen Zou and Tian Yu and Xuan Wang and Guozhu Meng and Kai Chen and Deyue Zhang},
journal= {arXiv preprint arXiv:2307.05642},
year = {2023}
}
备注
13 pages, 15 figures