V-Fuzz: Vulnerability-Oriented Evolutionary Fuzzing论文分析

V-Fuzz: Vulnerability-Oriented Evolutionary Fuzzing论文分析

• 针对二进制程序，也可以用于开源软件（需要将其编译成二进制程序）
• 类似于定向fuzz–不是定向fuzz，而是找到目标辅助种子选择
• V-Fuzz结合了漏洞预测和进化fuzz的优势，同时减小了劣势（由于漏洞预测模型不是精确的，所以对脆弱代码使用大权重，对其他代码使用较小的权重，以防止模型出现错误预测时导致误报）
• 实质上使用漏洞预测模型的结果来优化seed file的选择

2、背景

2.2二进制程序漏洞预测

使用深度学习模型：

• 因为使用静态分析工具的话，（1）只能针对开源软件，（2）会有较高的误报率和漏报率。

如何表示binary

• 表示binary program–使用汇编语言，分析程序的CFG（控制流图，包含丰富的语义和结构信息）；
• 为了便于训练，需要表示成向量–使用Attributed Control Flow Graph (ACFG) [Scalable graph-based bug search for firmware images]；

合适的分析粒度

• 不能太粗（不够准确）也不能太细（很难提取），最终选择函数粒度进行分析；

合适的神经网络模型

• graph embedding network图嵌入网络
• 已经有paper将该网络应用于提取结构化数据的有效特征和检测binary代码相似性，因此选择该种网络模型，并进行适当修改，以适应本文的工作目标。

discovre: Efficient cross-architecture identification of bugs in binary code（2016NDSS）

​

3、V-FUZZ: SYSTEM OVERVIEW

V-Fuzz整体框架

漏洞预测模型

• 输出一个binary中可能存在漏洞的函数，并给出这个函数存在漏洞的概率。

训练数据：

• 标签分别设置为secure和vulnerable；
• 可以将标签设置更加细致，以识别不同类型的漏洞。-----可以改进的地方

漏洞导向的进化fuzzer

• 使用vulnerable概率表示有漏洞的概率。
• 对于每个有vulnerable 概率的函数，V-Fuzz将会给函数中的每个基本块设置一个**SVS（Static Vulnerable Score）**来表示基本块的重要性。
• V-Fuzz利用进化算法生成正确的测试用例。对每个执行的输入，给定一个fitness score，即执行路径上所有基本块的SVS之和。
• 然后选取具有较高的fitness score或产生crash的输入作为新的种子输入。

目前分析–问题

• 相当于对binary程序分析一次，得到可能存在漏洞的函数，并为其中的基本块标注SVS；
• 然后使用基本块的SVS和crash作为选取新种子的标准；
• 变异策略？？ – 类似AFL

4、漏洞预测

4.1问题定义

• 预测模型为M
• 程序中的函数集合为F = {f1,f2, …, fτ}
• 函数集合F中的每个函数 fi 作为M的输入，对应的输出为 fi 的vulnerable probability – PVfi

$$PVfi=M(fi)$$

4.2数据预处理

​ ---- 将binary program转换成数值向量<