ISC4DGF: 利用 LLM 驱动的初始种子语料库生成增强定向灰盒模糊测试
软件工程
2024-09-24 v1
摘要
模糊测试对于识别软件漏洞至关重要，其中 AFL 和 Angora 等覆盖引导的灰盒模糊测试器在广泛检测方面表现出色。然而，随着针对性检测需求的增长，定向灰盒模糊测试（DGF）变得不可或缺，其专注于特定漏洞。初始种子语料库由精心挑选的输入样本组成，作为模糊测试器的起始点，在决定模糊测试器探索的路径方面起着基础性作用。设计良好的种子语料库能更有效地引导模糊测试器到达代码的关键区域，从而提高模糊测试过程的效率和成功率。尽管初始种子语料库非常重要，但许多研究工作集中在改进引导机制上，而对优化初始种子语料库的关注较少。本文提出了 ISC4DGF，一种利用大型语言模型（LLM）为 DGF 生成优化初始种子语料库的新方法。通过利用 LLM 深度的软件理解能力和精细化的用户输入，ISC4DGF 能够创建精确的种子语料库，从而高效触发特定漏洞。ISC4DGF 在 AFL 上实现，并使用 Magma 基准测试与 AFLGo、FairFuzz 和 Entropic 等最先进的模糊测试器进行了对比测试，实现了 35.63 倍的加速，并将目标到达次数减少了 616.10 倍。此外，ISC4DGF 更专注于有效检测目标漏洞，在降低代码覆盖率的同时提升了效率。
引用
@article{arxiv.2409.14329,
title = {ISC4DGF: Enhancing Directed Grey-box Fuzzing with LLM-Driven Initial Seed Corpus Generation},
author = {Yijiang Xu and Hongrui Jia and Liguo Chen and Xin Wang and Zhengran Zeng and Yidong Wang and Qing Gao and Jindong Wang and Wei Ye and Shikun Zhang and Zhonghai Wu},
journal= {arXiv preprint arXiv:2409.14329},
year = {2024}
}
备注
15 pages, 2 figures