系统性遇非预期：基于多模糊测试的有先验知识自适应5G漏洞检测
密码学与安全
2024-01-08 v2
摘要
5G与下一代网络（NextG）的虚拟化与软件化是向灵活性转变的关键赋能因素，但也带来了潜在的威胁攻击面。然而，当前通信系统中的安全研究聚焦于安全挑战的特定方面，缺乏整体视角。为应对这一挑战，提出了一种新颖的系统性模糊测试方法，用于在有无攻击者先验知识假设的情况下揭示、检测并预测漏洞。它同时作为一个数字孪生平台，用于系统测试与防御仿真流水线。提出了三种模糊测试策略：监听即学习（LAL）、同步即学习（SyAL）与溯源即学习（SoAL）。LAL策略是一种黑盒模糊测试策略，用于在无协议先验知识时发现漏洞；而SyAL策略同样为一种黑盒模糊测试方法，借助攻击者可获取的用户信息及一种新颖的基于概率的模糊测试方法，更精准地定位漏洞。随后采用白盒模糊测试策略SoAL，通过对有效比特的模糊测试来识别并解释漏洞。使用srsRAN 5G平台，LAL策略识别出129个RRC连接漏洞，平均检测时长为0.072秒。借助基于概率的模糊测试算法，SyAL策略在精确率与召回率上优于现有模型，且使用的模糊测试用例显著更少。SoAL检测到源于5G协议漏洞的三个中间人漏洞。所提出的解决方案可扩展至RRC之外的其他开源与商用5G平台及协议。大量实验结果表明，该解决方案是一种验证5G安全性的高效且有效的方法；同时，它可作为实时漏洞检测与主动防御手段。
引用
@article{arxiv.2305.08039,
title = {Systematic Meets Unintended: Prior Knowledge Adaptive 5G Vulnerability Detection via Multi-Fuzzing},
author = {Jingda Yang and Ying Wang and Yanjun Pan and Tuyen X. Tran},
journal= {arXiv preprint arXiv:2305.08039},
year = {2024}
}