.png){kind=icon}
返回
TransferFuzz-Pro: Large Language Model Driven Code Debugging Technology for Verifying Propagated Vulnerability
.png){kind=icon}
PRE
AI
DOI：10.1109/TSE.2025.3584774.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
软件开发中的代码复用常常促进漏洞的传播，导致CVE报告中受影响软件的范围界定不准确。传统方法主要关注检测目标软件中复用的漏洞代码，但缺乏确认这些漏洞是否能在新软件环境中被触发的能力。在先前的工作中，我们引入了TransferFuzz框架，利用历史追踪式模糊测试来填补这一空白。然而，其有效性受到需要人工干预和依赖源代码插桩的限制。为克服这些局限性，我们提出了TransferFuzz-Pro，一个集成了基于大型语言模型（LLM）的代码调试技术的全新框架。通过利用LLM进行自动化、类人调试和PoC（概念验证）生成，并结合二进制级插桩，TransferFuzz-Pro将验证能力扩展到更广泛的靶标。我们的评估表明，TransferFuzz-Pro显著更快，并能自动验证以往常规方法无法验证的漏洞。值得注意的是，它将15个CVE列表漏洞的受影响软件实例数量从15扩展至53，并为各种Linux发行版成功生成了PoC。这些结果表明，TransferFuzz-Pro能够有效验证目标软件中由代码复用引入的漏洞，并自动生成PoC。
Keyword:
Vulnerability verification
fuzzing
large language model
code reuse
期刊
IF:
5.6
论文数:
2.9K
被引数:
1.1W
机构
引用论文
LibDX: A Cross-Platform and Accurate System to Detect Third-Party Libraries in Binary Code.png)
2020 IEEE 27th International Conference on Software Analysis, Evolution and Reengineering (SANER)
2020 IEEE 27th International Conference on Software Analysis, Evolution and Reengineering (SANER)IF0
PREAI
分享收藏SelectFuzz: Efficient Directed Fuzzing with Selective Path ExplorationSelectFuzz: 具有选择性路径探索的高效定向模糊测试
PREAI
分享收藏
查看更多内容