WGAN-AFL：基于 Wasserstein-GAN 的种子生成增强模糊测试器
密码学与安全
2024-01-31 v1
摘要
软件安全漏洞的重要性不言而喻，软件正成为国防和金融等关键领域的核心。由软件漏洞引起的安全问题无法被忽视。模糊测试是一种能够检测软件漏洞的自动化软件测试技术。然而，大多数先前的模糊测试器面临挑战，即模糊测试性能对初始输入种子敏感。在缺乏高质量初始输入种子时，模糊测试器可能在程序路径探索方面消耗大量资源，导致漏洞检测效率显著下降。为此，我们提出了 WGAN-AFL。通过收集高质量测试用例，我们训练一个生成对抗网络 (GAN) 来学习其特征，从而获得高质量的初始输入种子。为克服GAN固有的模式坍缩和训练不稳定等缺点，我们采用 Wasserstein GAN (WGAN) 架构进行训练，进一步提高生成种子的质量。实验结果表明，WGAN-AFL 在代码覆盖率、新路径和漏洞发现方面均显著优于原始 AFL，显示示了 WGAN-AFL 有效提升种子质量的能力。
关键词
引用
@article{arxiv.2401.16947,
title = {WGAN-AFL: Seed Generation Augmented Fuzzer with Wasserstein-GAN},
author = {Liqun Yang and Chunan Li and Yongxin Qiu and Chaoren Wei and Jian Yang and Hongcheng Guo and Jinxin Ma and Zhoujun Li},
journal= {arXiv preprint arXiv:2401.16947},
year = {2024}
}