VERTFuzz: Version Transformer-Driven Fuzzing for Complex File Parsers

Zhaoyu Wen

doi:10.1016/j.cose.2025.104641

2025-08-20

PRE

Zhaoyu Wen *

Zhiqiang Wang

Biao Liu

DOI：10.1016/j.cose.2025.104641

原文链接

原文求助

摘要

En 中文

模糊测试技术在近年来取得了显著发展，并已演变为一种用于更全面、高效地识别程序漏洞和缺陷的重要工具。然而，针对复杂格式文件的模糊测试仍面临挑战。大多数模糊测试工具需要大量专家知识，并严重依赖手动构建的格式模型，或者难以准确识别复杂的结构关系，导致产生大量无效的测试变体。在本文中，我们提出了一种基于元数据的变异技术，利用深度学习模型识别元数据位置信息并将其融入特定变异中，从而实现文件结构的快速识别。我们还利用Version Transformer模型对队列中的有效测试用例进行筛选，有效解决了输入中缺陷空间稀疏的问题，使变异后的测试用例更加有效。实验结果表明，VERTFuzz在十个不同程序（包括四种复杂文件格式）中发现了32个独特的错误。平均而言，VERTFuzz比AFL++发现了29%更多的路径和14.54%更多的代码块。

Keyword:

fuzzing

metadata-based mutation

deep learning

format file testing

Version Transformer