- 博客(10)
- 收藏
- 关注
RSS订阅原创 SGANfuzz算法结构
预训练生成器G1，权重α；生成器G2，权重β；鉴别器D，权重γ；序列数据Px1T；GAN训练epochs E;生成器训练过程 gstep；鉴别器训练过程dstep使用序列数据P进行预训练权重α，使用极大似然估计（MLE）将α赋值给β使用生成器Gα生成smple N使用生成的N训练γ权重，从而最小化二元交叉熵i = 1-E，E个epochgstep 使用生成器Gα生成Y1Ty1y−2...yr。
2024-09-06 09:42:07
935
原创 MAVLINK仿真
然后下载PX4，更新submodule，切换不同版本固件，编译。也可以运行 roscd mavros ，能正常进入目录即成功。增加gazebo变量到vim ~/.basrhc。正常即可以打开QGroundControl的界面。安装mavlink和mavros（协议实现）添加ros源到 sources.list.安装QGroundControl（地面站）正常启动即会打开gazebo仿真界面。安装ros下gazebo9相关的包。效果，正常打开gazebo界面。安装catkin编译器.没有报错，及说明安装成功。
2024-09-06 09:37:37
944
原创 Network Message Field Type Clustering for Reverse Engineering of Unknown Binary Protocols（二进制未知协议逆向）
通过聚类具有相同数据类型的段来分析未知二进制协议中的报文字段数据类型。语义推导是协议逆向工程的难点，语义分析的一个步骤是推断字段的数据类型或值域。虽然有一些方法可以识别单个字段的数据类型和值的相关性，但没有一种方法可以通过值的相似性来确定字段之间的关系，从而用于解释信息内容。在不实际识别数据类型的情况下，根据片段之间的相似性将其区分为相同字段数据类型的群组。由此获得的具有相同类型的段的知识简化后续分析，推断出值域，为模糊测试提供支持。
2024-08-19 10:25:10
1201
原创 PREUNN：使用神经网络进行逆向工程（综述类）
神经网络能够普遍近似任何函数，这使得它们能够学习任意类型数据之间的关系。这为信息安全主题提供了巨大的潜力，例如协议逆向工程 (PRE)，到目前为止，神经网络 (NN) 的使用很少。在本文中，我们提供了一种仅使用 NN 实现 PRE 的新方法，展示了一种简单而有效的基于文本的协议逆向工程。这种方法在设计上是模块化的，允许在任何步骤将神经网络模型与性能更好的模型交换。所使用的架构包括卷积神经网络 (CNN)、自动编码器 (AE)、生成对抗网络 (GAN)、长短期记忆 (LSTM) 和自组织映射 (SOM)。
2024-08-19 10:17:38
1266
原创 ProFuzzBench: A Benchmark for Stateful Protocol Fuzzing
一个用来对基于状态的协议模糊测试的基准测试器。
2023-12-15 20:47:20
339
原创 READ: Reverse Engineering of Automotive Data Frames（一种使用信号的线性变化统计特征进行逆向的方法）
Read算法通过对CAN报文字段中的所有bit进行分析，并对其随时间变化的情况进行评估，最后从CAN流量中提取出个别信号。ECU中间的通讯是为了将收集到的传感器数据传输给控制车辆的多个子系统控制器。大多是传感器信号是某一物理现象的给定值，如加速减速时车轮的旋转速度，发动机的转速，加速度等，这些信号由于受到人为的影响或者交通状况的影响，所以随时间的变化是不可预测的。
2023-12-13 21:07:50
1102
3
原创 PULSAR基于状态机黑盒协议模糊测试
在根据协议类型(即基于文本的或二进制的)和使用的嵌入(即令牌或字节n-gram)对每个消息进行标记后，将会话的每个消息分配给马尔可夫模型的相应状态。由于协议的状态机被定义为二阶马尔可夫模型，因此有效的转换由新匹配的模板和之前匹配的两个模板以链表A:B:C的形式表示。从而提取通常在建模协议的某个阶段出现的公共消息结构。在触发新的不同的回复时，即其token和字节都灭法匹配的时候，为了触发状态的转换，pulsar使用Levenshtein字符串距离判断接收到的消息与所有可达模板之间的相似性，然后选择最近似的。
2023-12-09 10:27:06
983
1
原创 NEUZZ论文笔记
NEUZZ利用神经网络对程序进行平滑处理来提高模糊测试的效率和性能。以前的模糊测试，输入会被随机地变异生成不同的测试用例。这种随机变异的方法在测试效率和测试覆盖率上存在一定的局限性。NEUZZ引入神经网络来解决。神经网络训练：NEUZZ使用一个基于RNN（循环神经网络）的神经网络来对程序进行学习和平滑处理。通过将输入样本和对应的代码路径作为训练数据，NEUZZ学习到输入样本在不同代码路径上的执行特征，并生成平滑的输入样本，从而提高测试用例的质量和多样性。
2023-12-08 09:22:05
466
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人