← 返回列表

利用大模型辅助自动化 BYOVD 驱动漏洞挖掘

聚合站 SecWiki技术 作者 看雪学苑 发布 2025年11月10日 17:59 入库 2026-11-18T03:14:16

议题回顾

BYOVD(Bring Your Own Vulnerable Driver)驱动因其隐蔽性强、利用门槛低、攻击面广泛,已经成为黑客组织和APT攻击的重要突破口。

本议题首次公开了阿里云系统安全团队在“利用大模型自动化挖掘BYOVD漏洞驱动”方面的研究成果。演讲者从零出发,全面剖析BYOVD漏洞的本质与影响,并分享如何用大模型打造一套自动化漏洞挖掘系统。迄今为止,这一系统已成功发现并验证10+个真实存在的BYOVD漏洞。

一起来回顾下张艺璇在 SDC2025上发表的议题演讲:《利用大模型辅助自动化 BYOVD 驱动漏洞挖掘》

演讲嘉宾:张艺璇

阿里云系统安全团队安全研究员,专注于研究人工智能(机器学习、深度学习、大模型)在二进制文件分析、漏洞挖掘以及恶意软件检测中的应用。

*以下为整理后的速记

1

引言

BYOVD(Bring Your Own Vulnerable Driver)是指攻击者将合法但存在漏洞的驱动程序(.sys 文件)植入目标系统,通过驱动中的高危操作实现提权、持久化或禁用终端安全等恶意行为。由于这些驱动通常被数字签名并被系统或安全软件信任,攻击者可以借助它们绕过检测并执行内核态危险操作。

本篇基于演讲与 PPT,对 BYOVD 的背景、原理、既有挖掘方法、我们引入大模型的思路与具体流程、工具实现及若干实例进行梳理与说明。

2

BYOVD 背景与原理

什么是 BYOVD?

BYOVD 指利用带漏洞的合法驱动文件,通过驱动暴露的 IOCTL(DeviceIoControl)接口在用户态发起请求,以控制内核行为并实现提权或任意操作。典型流程是:攻击者植入(或装载)带漏洞的驱动 → 调用驱动的 IOCTL 接口 → 触发内核端的高危操作(如读写物理内存、访问 MSR 寄存器、直接 I/O 端口访问、进程操作等)。

关键点:

◆驱动通常为微软或第三方厂商签名,因而被信任,不易被拦截;

◆高危操作若在执行前没有严格权限校验,或校验可被绕过,则可能被滥用;

◆常见弱点可归为:无权限校验 / 权限校验可被绕过(对应 CWE-782:Exposed IOCTL with Insufficient Access Control)。

3

BYOVD 的危害与实际应用

第三方驱动因对安全编码规范不了解而广泛存在问题,给 BYOVD 提供了可乘之机。实际中,许多勒索软件与 APT 团体已采用 BYOVD 技术绕过 EDR、实现权限提升或禁用防护模块。

4

传统的 BYOVD 漏洞挖掘方法(及其局限)

演讲中总结了几类常用方法及其问题:

人工逆向

手工逐个分析文件,判断是否存在漏洞并手写 PoC;

效率低、极度依赖专家经验。

符号执行

自动搜索从派遣函数(IRP_MJ_*)到高危 API 的路径;

因路径爆炸、指针操作等问题,失败率较高。

IDA Python 脚本(如 ida_ioctl_propagate)

使用反编译抽象语法树做路径分析,能自动分类并修复 IOCTL 相关结构传播字段;

依赖完整的 IOCTL 分发表或结构信息,遇到混淆、多层指针、多个 IOCTL 协同等情况难以处理;也不充分关注“权限校验但可被绕过”的情况。

5

大模型能带来什么?

演讲与 PPT 强调两点主要优劣势:

◆分析效率的提升:大模型能自动判断是否存在漏洞并生成 PoC,人工仅参与校验;结合 IDA 与逆向原子工具,可将重复性工作交给模型,加速流程。

◆分析成功率的提升:从语义层面理解代码(类似人读代码),不依赖严格语法,因此能发现传统自动化方法难以识别的复杂控制链路与变体模式。

演讲中还说明了为什么选择 BYOVD 作为目标:IOCTL 本身是结构化接口(有明确的参数与调用格式),使得用提示词指导模型去定位和分析较为可行。

6

总体思路与流程

为避免直接把大模型一次性用于整个二进制分析(效果差、上下文窗口受限),我们的做法是将任务拆分成若干子任务,并结合传统逆向工具(IDA Pro)与 MCP 协议,构建一个面向大模型的“逆向工具箱”。


整体流程包括:

风险驱动筛选(初筛样本)

条件示例:64 位、带数字签名、文件小于 1MB(便于分析)、导入表包含关注的高危函数等(如 wrmsr/rdmsr、outbyte/inbyte、MmMapIoSpace、ZwOpenProcess 等)。

2.样本聚类(减少重复分析)

按驱动名聚类(只选最新版本);

聚类规则还包括:能否被任意打开、是否来自同公司(代码风格相似)。

3.基于 LLM+IDA-Pro+MCP 的 LLM-Agent 分析

◆以 Qwen(演讲中示例)为决策引擎,通过 MCP 将 IDA 的原子逆向工具暴露给模型调用;

◆三个核心工作流(子任务):派遣函数识别 → 派遣函数原型修复 → 派遣函数分析与 PoC 生成;最后人工验证 PoC。

4.人工验证

在真实或仿真环境加载驱动、检查 CreateFile 打开设备对象的权限、执行大模型生成的 PoC 并确认是否能触发预期行为(如任意读写、提权、BSOD 等)。

7

核心任务细化(工作流、Prompt 与工具)

工作流拆分的理由:复杂任务易失效,拆分为简单子任务(类似“链式提示”)能增强模型的稳定性、容错与语义理解能力。

1) 派遣函数识别(入口定位)

目标:从 DriverEntry 等初始化逻辑中定位 IRP 派遣函数(如 IRP_MJ_CREATE、IRP_MJ_DEVICE_CONTROL)。

模型优势在于能基于语义识别多种变体(数组赋值、循环批量注册、函数指针间接赋值等),避免依赖严格语法链条而漏判。


2) 派遣函数原型修复(语义恢复)

问题:反编译后派遣函数常被识别为通用原型(如func(__int64 a1, IRP *a2)),语义信息丢失。

做法:把 a1 修复为PDEVICE_OBJECT,把 a2 修复为只保留 DeviceIoControl 相关成员的联合体类型,从而恢复函数语义,便于后续分析。

3) 派遣函数分析与 PoC 生成(执行路径分析)

目标:从已修复的派遣函数出发,判断是否存在通往高危函数(如 ZwTerminateProcess 等)的可达路径,且路径中用户输入是否可控,访问控制是否缺失或可绕过。若判定可利用,生成完整用户态 PoC(create device handle、准备输入缓冲、设置 IOCTL 码、调用 DeviceIoControl),并注记可控字段与预期行为。

8

数据、工具与实现要点

数据筛选规则:

1.带数字签名的 64 位驱动;

2.样本文件大小 < 1MB(便于 MCP/平台超时限制);

3.导入表检测到关注的高危函数(MSR 访问、I/O 端口、物理内存映射、进程操作等)。

样本预处理 & 聚类:按驱动名聚类、剔除已知公开样本或历史已分析样本,仅保留最新版本进入自动化流程;检测驱动能否被任意打开以决定是否需要先绕过 open 的权限检查。

工具链(实现架构):

◆LLM(示例:Qwen)作为核心决策引擎;

◆IDA Pro + IDAPython 原子操作函数(如函数重命名、交叉引用分析、数据类型推断、反编译接口、派遣函数原型修复等);

◆MCP 协议作为模型与分析环境间的双向通信通道;

◆LLM-Agent:将逆向原子操作暴露为模型可调用工具,模型通过调用这些原子操作完成分析任务并输出报告与 PoC。

9

人工验证与成果

人工验证:大模型给出分析报告与 PoC 后,团队进行实机或仿真环境验证,确认 PoC 是否能稳定触发预期行为,并判断可利用性与影响范围。

已取得的漏洞编号:CVE-2025-42706、CVE-2025-42701、CVE-2025-10475、CVE-2025-56645、NVDB-CNVDB-2025928620、NVDB-CNVDB-2025573096、NVDB-CNVDB-2025462157。(演讲中提到部分仍在提交/修复流程中)

10

实例

1.简单案例(无权限检查):

从派遣函数入口即可找到到达高危指令的路径;模型能快速定位并生成 PoC。

演讲中举了一个 CPU-Z 类驱动示例:派遣函数在 create 时直接返回,导致任意打开;在特定 IOCTL 中定义了写 MSR 的操作,模型能定位并生成 PoC。

2.复杂链路(含前置激活/多步骤校验):需要先满足驱动的激活条件(指定 IOCTL 激活驱动)后才能进入高危路径。为此模型按步骤完成:识别入口 → 修复原型 → 自主调用 MCP 进行路径分析 → 输出包含注释的 PoC(两阶段 PoC 等)。演讲中展示了模型输出的分析报告与部分 PoC 片段。

11

总结与展望

总结:

◆介绍了 BYOVD 的原理与影响;

◆分析了大模型在 BYOVD 漏洞挖掘上的优势(效率、语义理解);

◆给出了完整思路与流程:从数据筛选、工具构建到工作流与 prompt 设计;

◆展示了若干由大模型发现的驱动漏洞实例。

展望:

◆进一步推动流程自动化,期望将人工验证环节自动化替代,实现更高程度的端到端自动化;

◆探索将大模型应用到其他类型的二进制漏洞挖掘任务。

往期议题回顾

1.SDC2025 议题回顾 | 你尽力了吗——25 年后的再追问

2.SDC2025 议题回顾 | 危险游戏:智能驾驶一线攻防实战

3.SDC2025 议题回顾 | 仿真驱动的侧信道攻击新范式:让CPU消耗成为密码学安全的X光机

4.SDC2025 议题回顾 | 大模型供应链安全的熵增效应:风险挖掘与熵减策略

PPT下载及视频回放

峰会议题PPT及回放视频已上传至【看雪2025 SDC】:https://www.kanxue.com/book-section_list-219.htm

【已购票的参会人员可免费获取】:我方已通过短信将“兑换码”发至手机

兑换方式:

-打开链接https://www.kanxue.com/book-section_list-219.htm

-点击购买课程

-填入兑换码

-提交订单

﹀

﹀

﹀

球分享

球点赞

球在看

点击阅读原文查看更多

原文链接:https://mp.weixin.qq.com/s/AioF2CDxt6Q3eMllafQqOQ