[論文レビュー] TOFU: Target-Orienter FUzzer.

Zi Wang, Ben Liblit+1 more|arXiv (Cornell University)|Apr 29, 2020

Software Testing and Debugging Techniques参考文献 29被引用数 9

ひとこと要約

TOFUは、距離指標を用いて入力を特定のプログラム領域に導くとともに、入力構造への配慮を組み合わせることで、指向型ファジングを高速化するターゲット指向のファジャである。xmllintに対してAFLGoと比較して28%速いターゲット発見を達成し、45%高いターゲットカバレッジを示しており、距離誘導と構造的入力認識の両方の有効性が裏付けられている。

ABSTRACT

Program fuzzing---providing randomly constructed inputs to a computer program---has proved to be a powerful way to uncover bugs, find security vulnerabilities, and generate test inputs that increase code coverage. In many applications, however, one is interested in a target-oriented approach-one wants to find an input that causes the program to reach a specific target point in the program. We have created TOFU (for Target-Oriented FUzzer) to address the directed fuzzing problem. TOFU's search is biased according to a distance metric that scores each input according to how close the input's execution trace gets to the target locations. TOFU is also input-structure aware (i.e., the search makes use of a specification of a superset of the program's allowed inputs). Our experiments on xmllint show that TOFU is 28% faster than AFLGo, while reaching 45% more targets. Moreover, both distance-guided search and exploitation of knowledge of the input structure contribute significantly to TOFU's performance.

研究の動機と目的

• 特定のターゲットプログラム領域に到達する入力を効率的に発見できるように、指向型ファジング問題を解決すること。
• 実行トレースがターゲットポイントにどれほど近いかを定量化する距離指標を組み込むことで、既存のファジャを改善すること。
• 文法やフォーマット仕様などの有効な入力の構造的知識を活用することで、ファジングの効率を向上させること。
• 距離誘導探索と構造的入力認識の組み合わせがターゲット発見性能に与える影響を評価すること。

提案手法

• TOFUは、実行トレースがターゲットプログラム領域にどれほど近いかを評価する距離指標を用いて、各入力をスコア付けする。
• ファジャは、距離スコアが低い入力を優先する遺伝的アルゴリズムを採用し、ターゲット領域への探索を誘導する。
• TOFUは、プログラムが許可する入力フォーマットのスーパーセットに適合する入力を検証・生成できるパーサーまたは構造認識モデルを統合する。
• シンボリック実行と動的タンタイ分析を組み合わせることで、実行パスを追跡し、距離スコアを効率的に計算する。
• 変異とクロスオーバーを用いて入力を段階的に進化させ、ターゲットへの距離を短くしつつ文法的整合性を保つ入力を優先する。

実験結果

リサーチクエスチョン

• RQ1 距離誘導探索は、ファジングにおけるターゲットプログラム領域への到達効率をどのように向上させるか？
• RQ2 入力構造認識は、指向型ファジングにおけるターゲット発見にどの程度寄与するか？
• RQ3 距離誘導と構造的認識の組み合わせは、AFLGoのような最先端の手法と比べてどのように差をつけるか？
• RQ4 実世界のプログラムに対してTOFUを適用した場合、速度とカバレッジの向上はどの程度見られるか？

主な発見

• TOFUは、xmllintプログラムにおいてAFLGoと比較して28%速いターゲット発見を達成した。
• TOFUはAFLGoと比較して45%多くのターゲット領域に到達しており、指向型ファジングにおける優れたコードカバレッジを示している。
• 距離誘導探索と構造的入力認識の両方が、TOFUの性能向上に顕著に寄与している。
• 構造的入力知識の統合により、無効または無関係な入力の数が減少し、探索効率が向上した。