标题: Multiple Targets Directed Greybox Fuzzing (Hongliang Liang,2024)
作者: Hongliang Liang, Xinglin Yu, Xianglin Cheng, Jie Liu, Jin Li
期刊: IEEE Transactions on Dependable and Secure Computing
研究问题:
发现局限性:之前的定向灰盒测试在有多个目标的时候表现的不好
原因(problems):粗粒度的能量调度和静态阶段划分
AFLGO
1.problem1(能量):为了覆盖多个目标,为所有目标追求全局最优调度会忽略某些目标的局部最优调度
2.two stages:(exploration and exploitation )首先从探索阶段开始,随机变异初始种子以生成许多新输入,以增加代码覆盖率。然后进入开发阶段,产生更多新的投入,越来越接近目标。
3.problem2:(静态阶段划分):exploration和exploitation 的时间不好分配。
勘探越少,可供开发利用的覆盖信息就越少,导致在开发阶段难以产生高质量的定向种子。但过度探索会耗费大量资源,延误开发进度,失去方向性。
Lolly 和 Berry
1.problem1(能量):容易陷入局部最优调度 : 为单个目标寻求最优调度会导致其他目标难以实现
2.problem2:(静态阶段划分):exploration和exploitation 的时间不好分配。
研究假设:
1.提出自适应的搜索策略
2.提出一种新的能量调度策略
研究方法:
1.提出一种能量调度方法(MES)
考虑种子序列和目标序列之间的三种关系进行能量调度,即s的序列覆盖率(seqCov

本文介绍了一种针对多目标的定向灰盒模糊测试方法,提出自适应搜索策略和新的能量调度(MES)及探索-利用协调(CEE)机制,旨在解决先前方法在处理多个目标时的局限性。通过动态调整能量分配和阶段划分,有效避免局部最优并提高测试效率。
最低0.47元/天 解锁文章
1060

被折叠的 条评论
为什么被折叠?



