原创 FuzzWiki 2025-06-11 14:15 四川
基本信息
原文名称:SELECTFUZZ: Efficient Directed Fuzzing with Selective Path Exploration
原文作者:Changhua Luo,Wei Meng,Penghui Li
原文链接:https://ieeexplore.ieee.org/abstract/document/10179296
发表期刊:2023 IEEE Symposium on Security and Privacy (SP)
一、摘要
定向灰盒模糊器专门用于测试特定的目标代码。它们已被应用于许多安全应用程序,例如再现已知的崩溃和检测由不完善补丁引起的漏洞。然而,现有的有向模糊器倾向于发现新代码(能够提高代码覆盖率)的输入,而不管新发现的代码是否与目标代码相关。因此,模糊器将探索许多不相关的代码,从而导致测试效率低。 本文还提出了一种新的距离度量,可以准确地测量不同程序路径和输入的到达概率。本文在不同程序集中用真实世界的漏洞评估了SELECTFUZZ。SELECTFUZZ 显著优于基线定向模糊器高达 46.31倍,并在 Google Fuzzer 测试套件中表现最好。本文的实验还表明,SELECTFUZZ 和现有的路径修剪等技术是互补的。 最后,使用SELECTFUZZ在经过良好测试的真实世界软件中检测到 14 个以前未知的漏洞——包括 6个被分配CVE ID,有11个漏洞被修复。在本文中,我们将目标程序中的相关代码与无助于触发目标代码漏洞的不相关代码区分开来。本文提出了SELECTFUZZ,这是一种新的定向模糊器,它选择性地探索相关的程序路径,以实现高效的崩溃复现和漏洞检测。它识别两种类型的相关代码——路径分歧代码和数据相关代码,它们分别代表了与目标代码的控制和数据依赖性。然后它选择性地插桩并仅探索相关的代码块。
二、研究背景
当前的定向模糊测试所面对的一个主要的问题就是会耗费大量的资源来探索一些与目标代码“无关”的代码区域。而现在提升定向模糊测试的方向主要有两个:
(1)通过符号执行或污点追踪等方式获得高质量输入
(2)识别出可以反馈给fuzzer的interesting的输入(哪些输入是值得继续探索的)
总的来说,主要的问题就是如何识别或者说如何衡量一个输入它是否是对fuzz有意义的。以前的定向模糊测试通过两种方式来识别输入是否有趣:
(1)基于序列的输入优先次序:例如在AFLGo中提出的一种用于测算块间距离衡量标准:是在对目标程序生成的CFG中里面采用迪杰斯特拉算法计算两个基本块间的距离,而用于输入序列排序的输入距离就是到目标访问块之间所有基本块的平均距离。但是采用这样的衡量标准并不能提升模糊测试的效率,也无法保证测试用例的有效性。
(2)输入可达性分析:当前在这个方向采取的提升措施主要是深度学习和路径裁剪。使用深度学习的方法即是通过训练一个深度学习模型来提前判断和丢弃那些不可达的输入。使用路径裁剪的方法即是在变量定义语句和分支语句上的检查点上插入断言以确保满足前提条,并终止了永远不会到达目标的分支上的执行。但是这种方法会浪费大量的资源在一些可以到达但是与目标无关的代码测试上。
三、问题说明
这里对于前文提到的“有关”与“无关”代码用一个简单的例子来进行简要的说明。考虑图1中的这段简单的代码:
图 1 一个简单的例子
在这个例子中,只有第 14-15 行的代码决定了执行是否能到达目标。如果考虑控制流条件,大量可达代码(例如第 2-10行的代码)都可以认为是与到达目标位置无关的,因为无论路径如何,执行总是可以到达第 11 行。此外,即使第 11-13 行的一些代码与目标有间接的控制流依赖(即,它们影响第 14-15 行的条件变量),但对这些代码进行探索并不能带来显著收益,反而会带来额外开销,所以也将其视为与到达目标位置无关的代码。
尽管如此,我们不能完全排除模糊测试范围中所有与到达目标无关的代码。例如,第 5 行的执行不会影响执行是否能到达目标,但会改变目标中使用的变量(例如x)的值。因此,我们将这些可能会影响漏洞触发的数据相关的代码也视为相关代码。
具体来说,根据这个例子可以构造出这样一个CFG(控制流图),如图2所示:
图 2 简单例子的CFG
现有工具的低效主要源于它们在模糊测试过程中探索了大量无关代码,导致生成的输入队列中大部分是无关输入,从而浪费了计算资源。例如,假设程序从一个初始输入种子开始执行,路径为 a→c→e→h。模糊测试工具从种子生成新输入,其中一部分输入探索了相关代码(如代码块f或b),但其余输入仅发现无关代码。这些无关输入不会推动目标代码的触达或漏洞的触发,因为它们在路径的某些点(如 e)与目标偏离,并且不会影响目标代码的关键状态变量(如 x 或 z)现有工具(如 AFLGo 和 Beacon)在分配能量时无法有效区分相关输入和无关输入。例如,AFLGo 工具虽然会根据输入到目标的距离为无关输入分配较少能量,但由于输入队列中无关输入占比高,总能量分配仍然较大。而 Beacon 工具虽然通过仅包含发现可达代码的输入来减少无关输入,但仍会错误优先处理那些探索无关但可达代码的输入。
总结来说,现有定向模糊测试工具倾向于优先变异无关输入并探索无关代码,从而显著降低了到达目标代码或触发漏洞的效率。
四、概述
为了解决前面提到的定向模糊测试在与目标无关的代码区域中进行测试而浪费资源的问题,并提高测试效率,本文提出来SELECTFUZZ。SELECTFUZZ的架构如图3所示: SELECTFUZZ是基于AFLGo进行改进的fuzzer,它最核心的部分主要是以下两个: 下面对这两个核心组件进行分析介绍图 3 SELECTFUZZ的架构图(1)作者重新设计的一套距离衡量测算标准(2)选择性的路径探索
1.距离计算
(Distance computation)
作者开发了一种新的距离度量方法,用于估算从一个基本块到目标代码的多路径到达“概率”。一个输入的距离是通过计算其探索路径中所有相关基本块(包括其他函数中的基本块)到目标的过程间块距离得出的。与现有的距离度量方法相比,我们的距离度量方法具有以下优势:
(1)它通过考虑所有可能的路径,全面评估了从基本块到达目标代码的概率;
(2)它通过精确的过程间控制流分析和调用目标分析来测量跨函数距离。
这种方法使 SELECTFUZZ 能够更好地识别那些更有可能到达目标的输入。
块间距离(Block Distance):
本文对于块间距离的具体计算算法如图4所示:
图 4 块间距离的计算算法
该算法为基本块设置了三个状态(status):
0:初始化
1:正在计算
2:完成计算
其他的变量含义如下:
T:目标代码的位置
Pb:到达的可能性,展示了从基本块b到达目标T的可能性(cal_prob),然后将这个Pb的倒数作为某个基本块到目标位置的距离(cal_dist)
b:基本块
dist:所有基本块到T的距离集合
Prob:所有基本块到T的概率集合
该算法的核心逻辑其实比较简单,其流程主要如下:
(1)初始化:构建程序的过程间控制流图(ICFG)。初始化所有基本块的状态为 0(未计算状态),并将它们的到达概率 prob[b] 设置为 0。
(2)遍历基本块:对所有基本块 b,调用 cal_dist(b) 函数,计算每个基本块到目标代码位置的距离,并将结果存储到 dist[b] 中。
(3)计算距离 (cal_dist):首先调用 cal_prob(b) 函数,计算基本块 b 的到达概率 Pb。如果 Pb 为 0,返回无穷大(表示不可到达目标)。否则,将距离设置为到达概率的倒数,即 1 / Pb。
(4)计算到达概率 (cal_prob):如果基本块 b 的状态为 2,直接返回已计算的到达概率。如果基本块 b 的状态为 1,说明存在循环依赖,返回无穷大。如果基本块 b 是目标代码,直接将到达概率设置为 1(100%)。如果基本块 b 不是目标代码,递归计算其所有后继块的到达概率,并取平均值作为 b 的到达概率。
整个算法的核心是这个cal_prob:如果这个基本块b就在目标代码T里,那这个Pb就被设为100%,否则就递归地从这个b的后继块中计算这个可能性,这个Pb就是所有这些后继块可能性的平均值。
在这个算法中,没有考虑条件表达式的复杂性,作者假设条件表达式的每个分支都可以以同样的概率到达。这种简化是必需的,因为真实概率取决于逻辑表达式和相应的输入。对于这个真实概率,可以利用符号执行之类的技术来近似估计,但是由于符号执行也需要输入的实际概率分布来估测这个真实概率,所以作者将这个问题作为未来改进方向。
另外,在真实的项目中存在大量的循环和递归,这里的处理方式是将循环只进行一次Pb计算。而对于跨函数的距离计算,本文将被call函数(callee)所属的基本块作为调用call所属的基本块的后继,从而可以按照算法中的递归逻辑进行距离计算。
输入距离(Input Distance):
本文在评估一个输入到目标代码的“距离”时,选择用输入执行过程中最接近目标代码的基本块的距离作为衡量标准,而不是像之前的方法那样,计算所有覆盖基本块的平均距离。这样做的原因是,最短距离更能体现执行离目标代码有多近,更直观地反映了测试进展。
一个实例(An Example):
这里用一个实例来展示图4中的算法是如何计算块间距离的。考虑以下两个函数(图5)以及由它们生成的CFG(图6):
图 5 两个函数
图 6 两个函数的CFG
首先以节点c为例,节点c只有一个后继块e,而这个后继块e就是崩溃所在的基本块所以它到达崩溃位置的概率会被视为1,而根据算法,节点c到达崩溃的概率Pc=(Pe)/1=1。同理可以得到节点d的Pd=1。
对于节点b,其后继块有两个:分别为c和d,根据上面的计算,Pb=(Pc+Pd)/2=1。
对于节点a,其有两个后继块,则Pa=(Pb+Pf)/2=0.5,所以d(a,T)=1/Pb=2,这样即可得出图6中所有块的在本算法下得出的距离(红色数字)
在完成对各个块到目标位置的距离计算后,假设有两个输入S1和S2,它们分别对应:a->f,g->j(比如x>10),这样的输入在AFLGo的输入距离测算下(也就是前文提到的迪杰斯特拉算法),dinput(S1, T )=3,dinput(S2, T )=2,所以AFLGo会分配更多的资源给S2进行变异,但是其实通过观察这两个函数对应的CFG可以看出来,要满足S2触发的崩溃的条件是要更多的,所以其实分配更多的资源给S1进行变异是更好的,而在本文的么metric计算方式下:dinput(S1, T ) = dbb(a, T ) = 2,dinput(S2, T ) =dbb(g, T )= 4。根据这个计算结果,SELECTFUZZ就会选择S1分配更多的资源。
2.选择性路径探索
(Selective Path Exploration)
对于前面提到的如何“消除”与到达目标位置无关的代码并选择性的进行路径探索这个问题,作者给出的解决方法是只对与被测程序中的相关代码进行插桩。下面会分析在SELECTFUZZ中是如何识别相关与无关代码以及其输入优先次序与能量调度机制
相关代码识别(Relevant Code Identification):
本文对相关代码的定义主要是两方面,即与目标代码存在控制或数据依赖的代码。这里也就定义了两种相关代码:路径分歧代码(path-divergent)和数据依赖代码(data-dependent)
- 路径分歧代码(path-divergent):是一条可达路径和一条不可达路径的最后一个交汇的块,比如图6中的这个h块就属于是path-divergent code。路径分歧代码会为fuzzer提供正反馈,因为如果某个输入能够到达某个path-divergent code的块,那么说明它与目标之间是可达的(非无限的距离),那么fuzzer就可以通过这些能到达的输入继续进行变异,虽然过程中可能会产生只能到达不相关代码块的输入,但是由于对这些代码块不会进行插桩,所以fuzzer不会去收集这些块的反馈信息,所以fuzzer就不会将这些输入作为有意义的输入继续变异。 另外,对间接影响path-divergent code的代码也是不插桩的,比如前面图1中的第14、15行代码的判断可能会受13行中省略的某些代码的影响。但是由于它对作为path-divergent code 的是间接影响,所以也不插桩。这些代码在到达path-divergent的过程中就一定会被探索到,但是对这些代码进行插桩不会对fuzz提供什么有用的反馈,只会增加运行时开销。在图2中,根据文章的定义,基本块b、e、f、g就是所谓的相关代码块,
- 数据依赖代码(data-dependent):简单来说,data-dependent code即是那些可以影响目标位置中会用到的关键变量的值的代码。这一部分可能在对于漏洞的触发上有帮助,即某些漏洞有可能只有在某些数据满足特定条件下才会触发,所以关注这一部分代码可以为fuzzer的利用阶段提供帮助,例如在图2中的基本块b与基本块g即是data-dependent code。
输入优先次序(Input Prioritization):
SELECTFUZZ 会优先挑选那些能够连接相关代码块的新产生的输入,或者让现有代码路径被触发得更多的输入。简单来说,它更关注对目标代码有帮助的“有用输入”。不过,它并不是每次都能找到这些“有用输入”,比如在遇到很难满足的条件时。如果没有找到这样的输入,SELECTFUZZ就会退而求其次,挑选那些“离目标比较近”的无关输入来继续尝试变异生成测试用例。
能量调度(Power Scheduling):
SELECTFUZZ 采用了 AFLGo 中基于模拟退火的能量调度方法,简单来说就是逐渐将更多的能量分配给那些接近目标位置的输入数据。本文在能量调度的策略上没有进行创新,仍然沿用的AFLGo的能量调度策略。
五、具体实现
SELECTFUZZ是基于AFLGo改进的一个定向模糊器。它使用2100行C++代码来实现了其功能原型。其中大约1,400行用于距离测量,约700行用于选择性插桩。距离测量和编译时插桩都实现为编译器的优化通道。SELECTFUZZ支持分析使用LLVM字节码的应用程序。下面介绍一些较为重要的细节。
调用流程图(Call Graph):SELECTFUZZ通过 Andersen 的点对分析(points-to analysis)推断间接调用中的目标函数。此外,它通过基于参数类型的剪枝和基于地址取用的剪枝优化了不精确的调用图,这些优化可以减少 70% 的调用边数,同时保留正确的调用边。由于当前实现仅支持 C 程序,作者通过支持多态性特性将其扩展到 C++ 程序。通过分析接收者类类型,我们推断方法调用(例如 Obj.func())的目标函数,并进一步分析多态性,找到正确类中的目标函数。
过程间数据流分析(Inter-procedural Data-flow Analysis):使用了backward inter-procedural data-flow analysis。首先识别出目标位置上的关键变量,并找到影响这些变量的代码。为了支持跨过程分析,SELECTFUZZ 会分析每个调用点(call site)的被调用函数(callee function),并识别关键变量依赖的数据的参数/参数变量(arguments/parameters)。接着,它分析被调用函数内的数据流关系,以推断其返回值是否与关键变量存在数据依赖关系。最后,SELECTFUZZ 将被调用函数的返回值传播到正确的调用点,并以上下文敏感的方式进行处理。
别名分析(Alias Analysis):SELECTFUZZ的数据流分析结合了保守点对分析(conservative points-to analysis),以处理指针别名问题。由于使用了保守的点对分析,SELECTFUZZ 在识别别名时会出现假阳性,从而也可能导致错误识别数据依赖代码。例如,它可能错误地判断两个指针指向相同的内存位置,并认为它们存在数据依赖。提升点对分析的精度是当前一个的挑战,作者会在后面部分讨论假阳性的问题。
执行超时(Execution Timeout):在SELECTFUZZ中,fuzzer对于输入执行的超时设计还是在超过设定的时限后会减少分配给对应输入的资源,但是并不会直接将超时的输入丢弃,因为他们可能虽然超时了,但是仍能探索到新的相关代码。
六、实验
在实验之前,作者提出了5个研究问题,如下:
· RQ1: SELECTFUZZ 在触发已知漏洞方面的有效性如何?
· RQ2: SELECTFUZZ 的各个组件对其的性能影响如何?
· RQ3: 哪些因素影响 SELECTFUZZ 的效率?
· RQ4: 在标准模糊测试基准中,SELECTFUZZ 的表现如何?
· RQ5: SELECTFUZZ 是否能够在实际应用程序中发现新的漏洞?
实验1(RQ1):
(1)实验设置:本文在不同的定向模糊测试器中对每个漏洞使用相同的种子和模糊测试目标。实验与Beacon文献中的实验设置保持一致,进行 5 次实验,每次120小时。所有实验均在 Docker 环境中进行,运行在具有 8 个 CPU 核心(Intel Xeon(R) CPU W-2123 @ 3.60GHz)和 16GB 内存的 64 位 Ubuntu 机器上。
图 7 已知漏洞复现
实验1结果如图7所示,其中BBtotal、BBrec 和 BBrel 分别表示程序中基本块的总数、可达基本块的数量和相关基本块的数量,Beacon†表示作者自己参考Beacon原生的路径修剪实现的一个类Beacon的fuzzer(Beacon未开源),SELECTFUZZ∗表示 SELECTFUZZ 和 Beacon†的集成。
作者测量了 SELECTFUZZ 重现崩溃所需的时间(表 I 第九列)。在 18 个案例中,SELECTFUZZ 成功重现了 16 个崩溃,未能在时间限制内重现的两个案例(No. 7 和 No. 18)也未被其他模糊测试工具触发。据Beacon的作者声称Beacon可以触发这两个案例,但结果差异可能是由于种子输入不同导致。出于实验一致性考虑,没有单独使用其他种子。
- 与 AFLGo 的比较: SELECTFUZZ 成功重现了比 AFLGo 多 7 个崩溃(表 I 第八列)。此外,在成功的案例中,SELECTFUZZ 在 5 个案例中实现了超过 10 倍的加速,最高达到 46.41 倍。这表明其选择性路径探索策略对提升定向模糊测试效率非常有效。
- 与 Beacon 的比较:由于无法直接评估 Beacon,因此作者使用了Beacon作者论文中的结果。注意到 Beacon 的 Docker 提供的二进制文件基于 AFL,而非文献中提到的 AFLGo,这可能导致实验结果的不一致。由于 Beacon 的源码未公开,作者只能根据文献报告的结果进行间接比较。
- 在 Beacon 和 SELECTFUZZ 的 10 个共同案例(No. 1-6 和 8-11)中,SELECTFUZZ 在 4 个案例中表现更好。尽管 SELECTFUZZ 没有使用路径剪枝,但其更少的插桩开销和更精准的路径探索使其在部分案例中效率更高(如 No. 3 和 No. 4)。然而,Beacon 在某些案例中表现更优,因为它有效剪枝了更多无法到达目标的路径。
为了进一步评估路径探索和剪枝的结合效果,作者实现了 Beacon 的一个简单原型(称为 Beacon†),并将 SELECTFUZZ 集成到其中(称为 SELECTFUZZ∗)。实验结果表明,SELECTFUZZ∗ 在所有案例中都优于 Beacon†,平均加速达到 5.23 倍。
此外,在与 Beacon 的直接对比中(使用相同种子),SELECTFUZZ∗ 在 6 个案例中表现更好,并在其余 4 个案例中通过改进路径剪枝进一步提升效率。这表明,选择性路径探索和路径剪枝策略是互补的,结合使用能够显著提高模糊测试效率。
实验2(RQ2):
这个部分作者进行了消融实验,实验结果如图8所示。
图 8 消融实验
作者通过消融实验评估了 SELECTFUZZ 的两个核心改进:距离度量和选择性路径探索。在实验中,作者将 AFLGo 的距离度量替换为 SELECTFUZZ 的距离度量(称为 AFLGo+Distance Metric),以及仅插桩相关代码但仍使用 AFLGo 距离度量(称为 AFLGo+Selective Path Exploration),以分别测试这两个组件的独立的作用。
实验结果显示,SELECTFUZZ 的距离度量使 AFLGo 的效率平均提升了 39%,尤其在处理复杂调用(如间接调用)时效果显著。这主要是因为 AFLGo 在分析这些场景时缺乏精确的跨过程支持,导致错误判断,而 SELECTFUZZ 的距离度量能够准确解析函数调用,避免了错误。
选择性路径探索对模糊测试效率的提升更加显著,使 AFLGo 平均加速 6.68 倍,有效减少了无关代码的探索开销。进一步结合两者,SELECTFUZZ 在大多数案例中优于单独的选择性路径探索,展现了两者结合的重要性。结果表明,SELECTFUZZ 不仅能够选择更优的输入以快速到达目标代码,还能够显著提高模糊测试效率,验证了其在定向模糊测试中的卓越性能。
实验3(RQ3):
这一部分作者根据前面的实验数据得出了以下几个结论:
插桩开销
插桩通常会引入运行时开销,从而降低模糊测试效率。SELECTFUZZ 通过仅对相关的基本块插桩,显著降低了这种开销。实验显示,在实际程序中,SELECTFUZZ将插桩范围限制为总基本块的 1.96% 或可达基本块的 12.33%。与 AFLGo 对每个基本块都插桩不同,SELECTFUZZ 的插桩对运行时几乎没有影响,而 AFLGo 插桩会使程序运行速度降低 57%。
探索相关代码的效率
SELECTFUZZ 的有效性与触发的无关代码比例密切相关。大部分现有定向模糊测试工具在探索过程中触发了大量无关代码,而 SELECTFUZZ 能有效排除这些代码。例如,在 No. 16 测试案例中,种子文件是一个 55KB 的大型 PDF 文件,触发了许多无关基本块。AFLGo 无法在 120 小时内触发崩溃,而 SELECTFUZZ 将模糊范围缩小到相关基本块(不到程序总基本块的 0.01%),仅用约 5 小时就成功触发了崩溃。此外,通过优化种子文件并保留触发关键代码的必要结构,SELECTFUZZ 进一步将崩溃触发时间缩短至 4.3 小时,而 AFLGo 则需 71.3 小时。这表明高质量的种子输入能显著提升模糊测试效率。
路径约束的复杂性
路径到目标代码的约束复杂性也会显著影响 SELECTFUZZ 的效率。当路径约束过于复杂时,大量输入可能无法满足约束,从而触发无关代码。例如,在测试 objdump 的 No. 14 案例中,AFLGo 难以生成满足复杂路径约束的输入,导致其反馈驱动生成更多无关输入,从而浪费资源。相比之下,SELECTFUZZ 能高效识别出有助于解决路径约束的输入,并优先对其进行变异,而立即丢弃其他无关输入,从而显著提高模糊测试效率。
实验4(RQ4):
本实验使用Google Fuzzer Test Suite (GFTS)进行标准化测试,实验结果如图9所示:
图 9 标准化测试
总体上,SELECTFUZZ 在 8 个案例中表现最佳,Beacon 和 Parmesan 各在 4 个案例中表现出色,而AFLChurn 仅在 1 个案例中占优。
在某些复杂案例中,SELECTFUZZ 展现了明显的优势。例如,SELECTFUZZ 在 libarchive 案例中仅耗时约 8 小时(为最短 TTE)就触发了指定崩溃,而其他工具(如 AFLGo、Beacon 和 AFLChurn)在 24 小时内均未能成功触发。
实验5(RQ5):
作者使用SELECTFUZZ来检测新的漏洞。其检测结果如图10所示。
图 10 漏洞检测
在 72 小时的时间预算内,SELECTFUZZ 共检测出 14 个新漏洞。这些漏洞包括多种类型,如堆溢出、段错误、内存泄漏等。此外,SELECTFUZZ 还在复杂软件(如 poppler 和 libjpeg)中发现了新漏洞。截至本文撰写时,已有 11 个漏洞被修复,其中 6 个漏洞被分配了新的 CVE ID。
七、讨论和展望
在文中,作者提出了对其开发的SELECTFUZZ总结了以下几点仍需改进的地方并提出了自己的改进设想:
(1)SELECTFUZZ 在识别相关代码时可能高估范围,因为调用关系的近似处理、保守的数据流分析以及对目标代码中所有变量都视为关键变量的假设可能导致误判,例如仅数组和索引才是触发数组越界漏洞的关键变量。尽管现有设计已显著减少了探索范围,但更先进的静态分析技术(如结构敏感的指针分析)可以进一步优化。
(2)SELECTFUZZ 依赖随机变异生成输入,在解决复杂路径约束时效果有限,这也是导致部分崩溃无法触发的原因之一。未来可以结合污点跟踪、符号执行或结构感知变异等技术提升其能力。
(3)同时,SELECTFUZZ 目前会探索所有可达路径,但其中并非所有路径都存在并可以触发漏洞,这可能导致在触发漏洞时消耗额外时间。为解决这一问题,可通过引入更多漏洞相关信息(如崩溃转储)来优化目标路径的选择。
八、总结
本文提出了SELECTFUZZ,这是一种创新的定向模糊测试工具,通过选择性地探索相关程序路径,提升崩溃复现和漏洞检测的效率。SELECTFUZZ专注于识别并插桩与触发指定漏洞相关的代码,同时引入了一种新颖的距离度量方法,用于精准评估路径和输入的到达概率。评估结果显示,SELECTFUZZ相比AFLGo实现了最高46.41倍的速度提升,并在Google Fuzzer测试套件中的8个崩溃复现任务中表现最佳。此外,SELECTFUZZ能够与路径修剪等现有技术互为补充,进一步增强其实用性。通过SELECTFUZZ,作者发现并报告了14个真实程序中的新漏洞,其中已有11个被官方修复。
—END—