《Computers》:The Seed Optimization Method for Fuzz Testing Based on Neural Network-Guided Genetic Algorithm
Yongbo Jiang,
Zhitao Li,
Baofeng Duan and
Tao Feng
编辑推荐:
为解决初始种子效率低及无效变异多的问题,提出一种结合神经网络(Neural Network, NN)与遗传算法(Genetic Algorithm, GA)的创新模糊测试(Fuzz Testing)种子优化方法。传统模糊测试种子生成通常依赖随机选择及已覆盖路径
为解决初始种子效率低及无效变异多的问题,提出一种结合神经网络(Neural Network, NN)与遗传算法(Genetic Algorithm, GA)的创新模糊测试(Fuzz Testing)种子优化方法。传统模糊测试种子生成通常依赖随机选择及已覆盖路径数量,而该方法通过引入NN与GA显著提升了种子生成效率与覆盖率。首先利用AFL工具生成种子覆盖路径数据并训练NN模型,该模型用于构建适应度函数(Fitness Function)以评估各种子的潜能;随后通过GA的交叉(Crossover)与变异(Mutation)操作生成新种子,并基于NN预测进行适应度评价;最终GA经多代进化优化种子,逐步提升覆盖率与漏洞发现能力。实验结果表明,所提方法使路径覆盖率较AFL提升28%、较AFL++提升23%,漏洞发现能力增强200%以上。
论文解读:《基于神经网络引导遗传算法的模糊测试种子优化方法》
一、研究背景与意义
随着软件系统规模扩大与结构复杂化,软件漏洞数量呈上升趋势,漏洞挖掘与修复成为保障系统安全的关键环节。在各类漏洞检测技术中,模糊测试(Fuzz Testing,覆盖率引导模糊测试 Coverage-Guided Fuzz Testing)因自动化程度高、实现简单、扩展性强而成为主流方法,典型工具如AFL(American Fuzzy Lop)采用边(Edge)级覆盖引导测试用例生成。然而传统模糊测试存在初始种子质量低、随机变异产生大量无效输入、易陷入浅层高频路径导致的局部最优(Local Optimum)等问题,导致路径覆盖率不足与漏洞发现能力受限。尽管已有研究尝试引入深度学习(Deep Learning, DL)或遗传算法分别优化种子生成,但前者存在训练数据依赖强、计算开销大、易偏向高频路径,后者则受限于初始种群质量与局部收敛。为此,研究人员提出一种神经网络引导遗传算法(Neural Network-Guided Genetic Algorithm, NN-GA)框架,将NN的覆盖路径预测能力作为GA的适应度评价函数,通过GA多代进化克服NN局部最优倾向,实现种子质量的智能优化。该论文发表于《Computers》。
二、主要关键技术方法
研究人员以AFL及AFL++为基线模糊测试框架,实现NNGAFL与NNGAFL++两个原型工具。首先用AFL-showmap收集初始种子执行时的边覆盖信息,将每条种子对应为覆盖路径的二进制向量Xi=[xi1,…,xij](xij=1表示种子Si覆盖边ej,否则为0),以此构建训练数据集训练一个三层前馈神经网络(输入层节点数=边数量n,单隐藏层,输出层采用Sigmoid激活输出[0,1]的适应度值)。将NN输出的覆盖潜能预测值作为GA的适应度函数F(Si)=Σj=1nNN(Si,j)。GA流程为:从初始种子池随机选取个体组成初始种群;每代中用已训练NN评估适应度,按适应度降序排列,择优选作父代;对父代种子执行单点交叉(Crossover)与按概率进行的位级变异(Mutation)生成子代;多代迭代后输出优化种子集。实验在9个开源Linux程序及LAVA-M人工注入漏洞基准上开展,Ubuntu 20.04环境,每程序独立运行3次各24小时取均值。
三、研究结果
4.1 实验设置(Experimental Setup)
研究人员选取size、objdump、libxml、harfbuzz等九个具代表性的真实世界程序及LAVA-M(base64、md5sum、uniq、who)为测试对象。初始种子集由符合格式要求的随机文件构成,经AFL/AFL++预运行1小时收集覆盖信息与种子作为NN训练数据。所有对比工具在同一虚拟机(8核CPU、14GB内存、Ubuntu 20.04)运行24小时,以边覆盖(Edge Coverage)为主要度量指标,各程序独立重复三次取平均。
4.2 实验结果(Experimental Results)
目标代码覆盖率(Target Code Coverage):NNGAFL与NNGAFL++在九个项目上边覆盖率均显著高于AFL与AFL++,平均提升约25%,其中size与libxml最高达40%;harfbuzz亦有约77%的相对提升(虽绝对增量有限因其已探明大量路径)。覆盖率随时间变化曲线表明,NN-GA方法在多数程序早期即达较高覆盖率,size程序中后期覆盖率加速增长,说明NN引导的GA能持续进化优化种子质量。结论:神经网络引导遗传算法通过生成高质量初始种子与有效变异,显著扩展了路径探索空间,提升了模糊测试覆盖率效率。
探索深度(Exploration Depth):以AFL种子队列中最大发现深度(即触发新路径的测试用例经几代变异产生)为指标,NNGAFL在所有程序上超越AFL,NNGAFL++除size外均超越AFL++。结论:NN-GA产生的种子能引导模糊测试向程序更深逻辑层探索,反映其更强的深层路径发现潜力。
漏洞发现能力(Bug Discovery Capability):在LAVA-M基准上,AFL与AFL++发现的漏洞均被NNGAFL/NNGAFL++复现,且NNGAFL与NNGAFL++额外发现AFL/AFL++未检出的漏洞;相同时间内NNGAFL与NNGAFL++发现漏洞总数明显更多,且部分漏洞检出时间更早。结论:该方法在提升覆盖率的同时实质性增强了漏洞发掘能力与效率。
四、讨论与结论
研究人员指出,所提NN-GA框架有效融合了神经网络对覆盖路径的预测能力与遗传算法全局搜索及多代进化特性,克服了单纯NN易陷入局部最优及单纯GA依赖初始种子质量的缺陷。实验证实该方法在路径边覆盖率(平均提升约28% vs AFL、23% vs AFL++)、探索深度及漏洞发现能力(提升200%以上)上均优于传统Coverage-Guided Fuzzing工具。该方法兼容现有AFL系列扩展,具备良好通用性,可将优化后种子集成至模糊测试主循环以提升整体效能。未来工作拟将该框架移植至libFuzzer及honggfuzz等其他模糊测试器,并进一步探索适应更复杂输入格式的模型结构。工业CI/CD流水线中应用此类高质量种子生成技术有望缩短测试周期、加速漏洞暴露。
研究结论:针对模糊测试中初始种子质量低与无效变异多的问题,研究人员提出了一种神经网络引导遗传算法的模糊测试种子优化方法——利用AFL收集覆盖路径数据训练神经网络构建适应度函数,通过遗传算法的选择、交叉与变异操作并经多代进化产出高质量种子。在AFL与AFL++上的实现与评估表明,相比原版AFL与AFL++,所提方法路径覆盖率分别提升28%与23%,漏洞发现能力增强200%以上,有效提高了模糊测试的种子质量、覆盖率及漏洞挖掘效率。