面向新兴深度学习库的模糊测试：从历史中萌芽未来

大型语言模型（LLMs）的广泛应用凸显了依赖 PyTorch 和 TensorFlow 等基础深度学习库的深度学习技术的重要性。尽管这些库具备健壮功能，但面临可扩展性和适应 LLM 社区快速发展的挑战。为此，Apple 和 Huawei 等科技巨头正在开发自己的深度学习库以提升性能、增加可扩展性并保护知识产权。确保这些库的安全性至关重要，模糊测试是关键解决方案。然而，现有模糊测试框架在目标灵活性、有效测试易出错 API 序列方面存在挑战，同时难以利用新库中有限的可用信息。为此，我们提出 FUTURE，即首个针对新引入和前景深度学习库的通用模糊测试框架。FUTURE 利用来自现有库的历史漏洞信息，并对 LLMs 进行微调以实现专业化代码生成。该策略有助于识别新库中的漏洞，并利用这些库的洞见来增强现有库的安全性，形成从历史到未来再回到历史的循环。为评估 FUTURE 的有效性，我们在三个新引入的深度学习库上进行了全面评估。评估结果表明，FUTURE 在漏洞检测、漏洞复现成功率、代码生成有效率和 API 覆盖率方面显著优于现有模糊测试器。值得注意的是，FUTURE 检测到 148 个漏洞，涉及 452 个目标 API，其中包括 142 个先前未知的漏洞。其中 10 个漏洞已被分配 CVE 编号。此外，FUTURE 在 PyTorch 中检测到 7 个漏洞，证明其在逆向中增强现有库安全性的能力。