Angora (S&P 2018)

标题《Angora: Efficient Fuzzing by Principled Search》以及描述中涉及的知识点主要集中在软件测试领域中的模糊测试（fuzzing）技术，特别是有关提高模糊测试效率与效果的方法研究。以下是该文档所涉及知识点的详细说明： 1. 模糊测试（Fuzzing）的概念： 模糊测试是一种用于发现软件中错误（bug）的技术，其方法是自动地、随机地或基于变异生成大量的输入数据（称为模糊数据），并将其输入到目标程序中去，以发现程序的异常行为或崩溃。模糊测试是一种常见的安全测试方法，它能够揭示内存损坏、资源泄露、逻辑错误等程序问题。 2. 现有模糊测试工具的局限性： 文档描述中提出现有的模糊测试工具存在性能上的不足，有的基于符号执行产生高质量的输入但运行速度慢，有的基于随机变异快速运行但难以产生高质量输入。符号执行通常能够更准确地解决路径约束问题，但是它的效率较低；随机变异则依赖于大量随机生成的测试用例，可能效率较高，但难以精确触发复杂的程序路径。 3. Angora的设计目标与创新点： Angora作为一款新的基于变异的模糊器，通过提出原则性搜索方法，旨在提高分支覆盖（branch coverage），从而发现更多的软件漏洞。Angora以不同于现有工具的方法解决路径约束问题，并且能够以较高的效率执行。其设计目标在于通过一系列关键技术的引入，显著提升现有模糊测试工具的性能。 4. Angora的关键技术： - 可扩展的字节级污点跟踪（scalable byte-level taint tracking）：通过监控程序执行过程中的数据流，Angora能够跟踪输入数据如何影响程序状态。 - 上下文敏感的分支计数（context-sensitive branch count）：Angora考虑上下文信息来提高分支覆盖的准确性。 - 基于梯度下降的搜索（search based on gradient descent）：Angora使用了先进的搜索算法来更高效地解决路径约束问题。 - 输入长度探索（input length exploration）：Angora探索不同长度的输入对覆盖路径的效果，以优化测试数据。 5. Angora的实际效果： 文档提到，Angora在LAVA-M数据集测试中发现了几乎所有的注入漏洞，并且在与之对比的其它模糊测试器中发现了更多漏洞，甚至比排名第二的模糊测试器多发现八倍的漏洞。此外，Angora还发现了LAVA作者注入但未触发的103个漏洞。在对八个流行、成熟的开源程序进行测试时，Angora分别在file、jhead、nm、objdump和size程序中发现新漏洞6个、52个、29个、40个和48个。 6. Angora与其他模糊测试工具的比较： 文档并未详细说明Angora与哪些具体工具进行了对比，但从描述中可以了解到Angora在发现漏洞方面具有显著优势，性能超过所有其它对比的模糊测试工具。 7. 模糊测试的覆盖率测量和性能评估： 模糊测试效果通常通过覆盖率来评估，即通过模糊测试覆盖了多少分支路径来衡量。文档说明了Angora的性能评估，并指出了其关键技术和设计如何贡献了出色的性能表现。 通过以上内容的概述，我们可以看出Angora模糊测试器通过在路径约束求解和输入数据生成方面的创新，为提高软件测试效率和漏洞发现能力提供了新的解决方案。这种方法的提出，对于提高当前模糊测试工具的性能具有重要意义。