MobFuzz：灰盒模糊测试中的自适应多目标优化
密码学与安全
2024-01-31 v1 软件工程
摘要
覆盖引导的灰盒模糊测试（CGF）是一种高效的软件测试技术。在 CGF 中通常有多个目标需要优化。然而，现有的 CGF 方法无法同时成功找到多个目标的最优值。在本文中，我们提出了一种用于多目标优化（MOO）的灰盒模糊器，称为 MobFuzz。我们将多目标优化过程建模为多人多臂赌博机（MPMAB）。首先，它自适应地选择包含最适合当前情况的目标组合。其次，我们的模型处理能量调度，在所选目标组合下自适应地为种子分配能量。在 MobFuzz 中，我们提出了一种名为 NIC 的演化算法，以在不产生额外性能开销的情况下同时优化所选目标。为了证明 MobFuzz 的有效性，我们在 12 个真实世界程序和 MAGMA 数据集上进行了实验。实验结果表明，MobFuzz 中的多目标优化优于基线模糊器中的单目标模糊测试。与它们相比，MobFuzz 能够选择最优目标组合，并将多个目标的值最高提升 107%，同时能耗最多减少 55%。此外，MobFuzz 的程序覆盖率最多提高 6%，并比基线模糊器多发现 3 倍的唯一漏洞。NIC 算法至少有 2 倍的提升，而性能开销约为 3%。
引用
@article{arxiv.2401.15956,
title = {MobFuzz: Adaptive Multi-objective Optimization in Gray-box Fuzzing},
author = {Gen Zhang and Pengfei Wang and Tai Yue and Xiangdong Kong and Shan Huang and Xu Zhou and Kai Lu},
journal= {arXiv preprint arXiv:2401.15956},
year = {2024}
}