HF-DGF：混合反馈引导的定向灰盒模糊测试
软件工程
2025-07-01 v1
摘要
定向灰盒模糊测试（DGF）凭借其精确导航至目标位置并利用漏洞的能力，已成为崩溃复现和补丁测试的广泛采用技术。然而，当前的 DGF 工具受限于运行时反馈不足，限制了其在到达目标和探索状态空间方面的效率。本研究提出了 HF-DGF，一种新颖的定向灰盒模糊测试框架。其种子调度由集成控制流距离、数据流影响分数和切片覆盖率的混合反馈机制引导。为实现精确的控制流距离反馈，我们提出了一种后退步进算法，用于在虚拟过程间控制流图（ICFG）上计算基本块级种子距离。为了有效地探索状态空间，我们引入了数据流影响及相应的度量指标——数据流影响分数。此外，为了减轻混合反馈带来的运行时开销，我们采用了一种新颖的选择性插桩策略。在 41 个真实漏洞上的评估表明，HF-DGF 优于现有工具：平均而言，其崩溃复现速度比 AFL 快 5.05 倍，比 AFLGo 快 5.79 倍，比 WindRanger 快 73.75 倍，比 DAFL 快 2.56 倍，比 Beacon 快 8.45 倍。值得注意的是，当所有模糊测试器都触发崩溃时，HF-DGF 展示了最低的代码覆盖率，证明了其卓越的方向性和效率。它在静态分析效率上也超越了 AFLGo、WindRanger、DAFL 和 Beacon。
引用
@article{arxiv.2506.23063,
title = {HF-DGF: Hybrid Feedback Guided Directed Grey-box Fuzzing},
author = {Guangfa Lyu and Zhenzhong Cao and Xiaofei Ren and Fengyu Wang},
journal= {arXiv preprint arXiv:2506.23063},
year = {2025}
}