在本文中,我们提出了一种名为 AFLR UN 的新型定向模糊测试解决方案,其特点是目标路径多样性度量和无偏能量分配。首先,我们通过维护每个覆盖目标的额外原始地图来开发一种新的覆盖度量,以跟踪击中目标的种子的覆盖状态。这种方法可以将通过有趣路径击中目标的航点存储到语料库中,从而丰富每个目标的路径多样性。此外,我们提出了一种语料库级能量分配策略,确保每个目标的公平性。AFLR UN 从均匀的目标权重开始,并将该权重传播到种子以获得所需的种子权重分布。通过根据这种期望的分布为语料库中的每个种子分配能量,可以实现精确且无偏的能量分配。我们构建了一个原型系统,并使用标准基准和几个经过广泛模糊测试的真实应用程序评估了其性能。评估结果表明,AFLR UN 在漏洞检测方面的表现优于最先进的模糊测试器,无论是数量还是速度。此外,AFLR UN 在四个不同的程序中发现了 29 个以前未发现的漏洞,包括 8 个 CVE。
主要关键词
![arXiv:2310.12419v2 [cs.CR] 2024 年 6 月 6 日PDF文件第1页](/bimg/d/d0d1083f18e60297390fc75f2e81565013d7009e.webp)
![arXiv:2310.12419v2 [cs.CR] 2024 年 6 月 6 日PDF文件第2页](/bimg/3/3c2b13e25536eef725d6999608bee403a22a85db.webp)
![arXiv:2310.12419v2 [cs.CR] 2024 年 6 月 6 日PDF文件第3页](/bimg/4/41f766ee15896e3395caefddc296d24890c358bc.webp)
![arXiv:2310.12419v2 [cs.CR] 2024 年 6 月 6 日PDF文件第4页](/bimg/0/01a1651e49bc1348e64a842c608d55b071011e4c.webp)
![arXiv:2310.12419v2 [cs.CR] 2024 年 6 月 6 日PDF文件第5页](/bimg/0/07612122284c4c3b224a13c7770400e72d804605.webp)
