[论文解读] Fuzzing: Art, Science, and Engineering.

Valentin J. M. Manès, Hyung-Seok Han+5 more|arXiv (Cornell University)|Dec 1, 2018

Information and Cyber Security被引用 26

一句话总结

本文提出了一种统一的模糊测试模型与全面的分类体系，整合了现代模糊测试在艺术、科学与工程方面的洞见。它系统分析了模糊测试各阶段的设计决策，提供了一个连贯的框架，以整合并指导漏洞发现领域的持续研究与开发。

ABSTRACT

Among the many software vulnerability discovery techniques available today, fuzzing has remained highly popular due to its conceptual simplicity, its low barrier to deployment, and its vast amount of empirical evidence in discovering real-world software vulnerabilities. At a high level, fuzzing refers to a process of repeatedly running a program with generated inputs that may be syntactically or semantically malformed. While researchers and practitioners alike have invested a large and diverse effort towards improving fuzzing in recent years, this surge of work has also made it difficult to gain a comprehensive and coherent view of fuzzing. To help preserve and bring coherence to the vast literature of fuzzing, this paper presents a unified, general-purpose model of fuzzing together with a taxonomy of the current fuzzing literature. We methodically explore the design decisions at every stage of our model fuzzer by surveying the related literature and innovations in the art, science, and engineering that make modern-day fuzzers effective.

研究动机与目标

• 为应对模糊测试文献中日益增长的复杂性与碎片化问题，提供一个连贯且全面的框架。
• 识别并系统化模糊测试流程各阶段的关键设计决策。
• 将模糊测试中多样化的创新统一为一个通用的、通用的模型，以提升理解与开发效率。
• 为软件安全与模糊测试工具开发领域的研究人员和实践者提供基础参考。
• 阐明启发式技术（艺术）、实证验证（科学）与实现工程（工程）在有效模糊测试中的相互作用。

提出的方法

• 提出一个通用的模糊测试器模型，将模糊测试分解为可区分且可分析的阶段：输入生成、执行、反馈收集与变异。
• 引入一种分类体系，根据模型各阶段的设计选择对现有模糊测试技术进行分类。
• 从三个维度分析文献：艺术（启发式策略）、科学（实证评估）与工程（实现效率）。
• 将现有模糊测试技术（如遗传算法、覆盖率引导的变异、符号执行等）映射到所提出的模型与分类体系中。
• 通过系统性文献综述，识别输入生成、反馈机制与变异策略中的重复模式与创新。
• 展示现代模糊测试器如何结合三个维度的技术，以实现高漏洞发现率。

实验结果

研究问题

• RQ1 如何构建一个统一的模型，以表征现代模糊测试技术中的多样化设计选择？
• RQ2 模糊测试流程各阶段的关键设计决策是什么，它们如何影响有效性？
• RQ3 模糊测试的艺术、科学与工程维度之间如何相互关联并共同提升模糊测试器的有效性？
• RQ4 能否从当前模糊测试研究的文献中推导出一种系统性分类体系，以提升连贯性与可导航性？
• RQ5 如何形式化启发式、实证与实现技术的整合，以指导未来模糊测试器的开发？

主要发现

• 成功构建了一个统一的模糊测试器模型，实现了对现有模糊测试技术在输入生成、执行、反馈与变异各阶段的系统性分类。
• 该分类体系揭示了设计选择中的重复模式，特别是在反馈驱动变异与覆盖率引导策略方面，这些策略在现代模糊测试中占据主导地位。
• 启发式技术（艺术）、实证验证（科学）与高效实现（工程）的整合，对高性能模糊测试至关重要。
• 该模型与分类体系提供了一个共享的参考框架，增强了对漏洞发现的理解，并加速了创新进程。
• 分析表明，模糊测试的进步不仅源于算法创新，也深深根植于工程权衡与实证验证实践。
• 本文通过识别现有文献中的研究空白，并阐明艺术、科学与工程三个维度在模糊测试器设计中的角色，为未来研究奠定了基础。