基于图中心性分析的有效模糊测试种子调度
密码学与安全
2022-03-25 v2 社会与信息网络
摘要
种子调度（即选择种子的顺序）会极大影响模糊测试器的性能。现有方法基于种子的历史变异数据来调度种子，却忽略了底层控制流图（CFG）的结构。检查 CFG 可通过揭示变异某种子可能带来的边覆盖收益来辅助种子调度。一种理想策略将根据通过变异从种子可达且可行的所有边的数量来调度种子，但沿所有边计算可行性代价过高。因此，种子调度策略必须近似该数量。我们观察到，一个近似计数应具备 3 个性质——（i）若从种子可达的边更多，它应增大；（ii）若变异历史信息表明某边难以到达或距离当前已访问边较远，它应减小；（iii）它应在大型 CFG 上高效计算。我们观察到，图分析中的中心性度量天然提供这三条性质，因此可高效近似通过变异种子到达未访问边的可能性。为此，我们构建一种称为边视界图（edge horizon graph）的图，将种子连接到其最近的未访问节点，并计算种子节点的中心性以衡量变异种子可能带来的边覆盖收益。我们在 K-scheduler 中实现该方法，并与多种流行种子调度策略比较。我们发现，在 12 个 Google FuzzBench 程序上的算术平均值中，K-scheduler 相比 Entropic 特征覆盖提升 25.89%，相比次优的基于 AFL 的种子调度器边覆盖提升 4.21%。它还比次优的基于 AFL 的种子调度器多发现 3 个此前未知的漏洞。
引用
@article{arxiv.2203.12064,
title = {Effective Seed Scheduling for Fuzzing with Graph Centrality Analysis},
author = {Dongdong She and Abhishek Shah and Suman Jana},
journal= {arXiv preprint arXiv:2203.12064},
year = {2022}
}
备注
To appear in the 43rd IEEE Symposium on Security and Privacy, May 23--26, 2022, San Francisco, CA, USA