Not All Paths Are Equal: Multi-path Optimization for Directed Hybrid Fuzzing

doi:10.1145/3735555

Not All Paths Are Equal: Multi-path Optimization for Directed Hybrid Fuzzing

2026-03-01

0

PRE

AI

DOI：10.1145/3735555

原文求助

摘要

En 中文

定向灰盒模糊测试（DGF）可通过强调易错区域来提高漏洞暴露效率。近期研究将DGF建模为寻找和优化路径以到达目标点的问题。然而，它们仍面临多路径挑战。当目标点可通过多条路径到达时，全面评估和有效选择这些路径至关重要，因为这影响模糊测试器是在通过最优路径到达目标点之间进行选择，还是通过增强目标路径的多样性来暴露非最优路径中的隐藏漏洞。本文提出MultiGo，一种用于多路径优化的定向混合模糊测试器。首先，我们提出一种新的适应度指标——路径难度，以全面评估有前景的路径。该指标使用泊松分布根据基本块的统计频率估计沿执行路径探索基本块的概率，以区分最优路径和挑战性路径。以路径难度为关键因素，采用定制的上下文多臂赌博机（CMAB）模型，通过全面考虑测试条件对路径调度的影响，高效优化路径调度。我们引入模糊测试上下文的概念来表示和评估测试条件，这些条件包括路径特征（如路径难度）、测试代理（如模糊测试或符号执行）和测试目标（如路径利用或探索）。然后，CMAB模型预测在不同测试代理和目标下调度路径的预期奖励，从而优化路径调度。通过利用CMAB模型，MultiGo增强了DGF探索较易路径的能力以及符号执行处理更复杂路径的能力，实现了通过最优路径高效到达目标点，同时确保对非最优路径的充分覆盖。MultiGo在3个基准测试的41个真实程序中的136个目标点上进行了评估。实验结果表明，MultiGo在到达目标点和暴露已知漏洞方面优于最先进的定向模糊测试器（AFLGo、SelectFuzz、Beacon、WindRanger和DAFL）和混合模糊测试器（SymCC和SymGo）。此外，MultiGo还发现了14个未公开的漏洞。

Keyword:

Directed Hybrid Fuzzing

Automated Vulnerability Discovery

Multi-path Optimization

Path Difficulty

Contextual Multi-Armed Bandit

Not All Paths Are Equal: Multi-path Optimization for Directed Hybrid Fuzzing

摘要

期刊

机构

引用论文