摘要:
研究背景 模糊测试是一种重要的软件安全技术，通过提供多样化的输入来触发程序异常行为或崩溃，从而帮助开发者及早发现和修复漏洞，降低后期修复成本。定向灰盒模糊测试（Directed Grey-Box Fuzzing, DGF）关注于快速触发已知漏洞，提升漏洞检测的效率，在补丁测试、崩溃复现和静态分析报告验证等场景中表现突出。近年来，大型语言模型（Large Language Model, LLM）在代码理解与生成方面取得了显著进展。LLM具备强大的逻辑理解和模式识别能力，使其在DGF的初始种子语料库生成方面具有潜力。然而，虽已有研究尝试利用LLM提示来引导种子变异，但尚无专门研究聚焦于使用LLM提示来生成DGF的初始种子语料库。利用LLM提示生成DGF初始种子语料库面临诸多挑战：1）LLM的输入长度有限，难以完整处理大型项目数据，同时计算开销较大；2）项目文档、示例代码等可能引入无关信息，干扰提示的有效性；3）LLM输出的格式为纯文本，难以符合程序输入所需的特定格式要求；4）LLM可能存在幻觉问题，产生不准确或无效的结果，依赖人工筛选，不仅存在偏差，还会影响系统的可扩展性。
目的 研究目的是通过优化模糊器的初始种子语料库，提升DGF对已知漏洞的检测能力和效率。
方法 本文提出了一种基于LLM、专门面向DGF的初始种子语料库生成方法ISC4DGF。该方法利用 LLM的程序理解能力，结合用户提供的关键信息提示，实现高效的初始种子生成。ISC4DGF旨在通过优化初始种子选择过程来提高检测已知漏洞的效率。它采用两阶段方法，如图1所示，首先利用提示优化模型（Refinement LLM）优化输入提示，再通过生成模型（Generation LLM）生成并筛选潜在种子。图1 ISC4DGF流程图1. 提示优化（Refinement LLM）针对提示输入大小的限制，ISC4DGF 提取测试程序的关键信息，如项目介绍、驱动源代码、CVE 详情和补丁信息；针对无关信息干扰问题，ISC4DGF 使用Refinement LLM优化提示内容，消除冗余信息，并通过温度参数调整生成多组候选提示。2. 种子生成（Generation LLM）针对格式生成问题，ISC4DGF 引导 LLM 生成 Python 脚本，确保输出种子符合模糊测试要求；针对 LLM的幻觉问题，ISC4DGF 引入静态分析工具和自动化脚本对生成的种子进行验证，确保语法正确性和格式合规性，并对种子评分筛选。ISC4DGF 使用最终生成的优化种子语料库替换模糊测试器的默认种子，运行模糊测试，直至触发目标漏洞或测试周期结束。
结果 本文通过以下研究问题来评估ISC4DGF的有效性：RQ1：与其他模糊器相比，ISC4DGF重现已知漏洞的效率如何？RQ2：ISC4DGF的提示设计和候选提示能否提高其有效性？RQ3：ISC4DGF如何提高触发目标漏洞的速度？RQ4：ISC4DGF是否将引信覆盖范围集中在目标区域？RQ5：ISC4DGF的初始种子语料库与目标漏洞语义相关吗？（1）已知漏洞的触发效率与现有流行的模糊器相比，ISC4DGF的平均性能提高了25.03倍。（2）消融实验驱动程序源代码、CVE细节和CVE对应补丁的提示设计，以及候选提示的使用，提高了模糊器在漏洞检测能力和效率（如表1所示）。表1 消融实验结果（3）快速触发漏洞能力验证与现有流行的模糊器相比，ISC4DGF可以在更少目标抵达更少的情况下，更快的触发目标漏洞（如表2所示）。表2 触发目标漏洞所需的抵达次数（4）覆盖范围集中在目标区域ISC4DGF实现了在更多抵达目标次数情况下的更小测试覆盖范围，使得测试资源集中于目标漏洞（如图2所示）。图2 代码覆盖率和目标到达率对比图（5）种子的语义验证ISC4DGF生成的初始种子可以有效映射漏洞相关的信息（请见表3）。表3 初始种子语料库的语义验证
结论 本文提出了一种定向灰箱模糊化的新方法ISC4DGF，通过使用LLM生成优化的初始种子语料库。通过专注于初始种子语料库的设计，ISC4DGF提高了模糊测试的效率和精度，从而更快、更准确地检测特定漏洞。实验结果表明，ISC4DGF优于目前先进的模糊化器，在已知漏洞重现中实现了25.03倍的速度提升，同时将模糊器的执行过程更有效地集中在关键代码区域。进一步的研究方向包括基于LLM的DGF种子突变策略和减少漏洞信息依赖的DGF方法。
下载: