由贝叶斯程序分析引导的模糊测试

我们提出了一种利用贝叶斯程序分析来引导大规模目标导向灰盒模糊测试（LTGF）的新方法。LTGF 会优先处理可能包含缺陷的程序位置（目标），并针对高优先级目标实施定向变异。然而，现有的 LTGF 方法受困于粗粒度和启发式的目标优先级排序策略，且缺乏充分利用模糊测试过程反馈的系统性设计。我们系统地将该优先级排序过程定义为可达模糊测试目标问题。贝叶斯程序分析将概率赋予分析规则，并将分析结果转化为贝叶斯模型。通过重新定义贝叶斯程序分析的语义，我们能够预测每个目标是否可由模糊测试器到达，并根据模糊测试器的反馈动态调整预测。一方面，贝叶斯程序分析基于程序语义构建贝叶斯模型，实现了系统化和细粒度的优先级排序。另一方面，贝叶斯程序分析系统地学习来自模糊测试过程的反馈，使其引导具备自适应性。此外，这种结合将贝叶斯程序分析的应用从警报排序扩展到了全自动缺陷发现。我们实现了该方法，并针对几种最先进的模糊测试器进行了评估。在一组真实世界的程序集上，与基准相比，我们的方法发现的唯一定位缺陷数量增加了 3.25× 至 13×。此外，我们的方法在经过充分测试的程序中识别出了 39 个先前未知的缺陷，其中 30 个已被分配 CVE。