在蜘蛛侠Peter Parker的生日这一天，我们为大家带来一篇清华大学软件与系统安全课题组（VUL337）投稿的USENIX Security 2022研究论文——StateFuzz: System Call-Based State-Aware Linux Driver Fuzzing
1. Background
软件漏洞是网络空间最重要的安全威胁之一，安全人员需要及时的挖掘和修复软件中的漏洞来防御黑客攻击。以AFL[1]为代表的代码覆盖率引导的模糊测试（Code coverage guided fuzzing）已经成为了自动化漏洞挖掘最有效的方法之一。
首先介绍一下代码覆盖率引导的模糊测试的基本流程。如下图1所示
图1. 代码覆盖率引导的模糊测试工作流程
代码覆盖率引导的模糊测试基于遗传算法，首先fuzzer从种子池（seed corpus）选择一个种子（seed）并变异，产生新的测试用例。之后fuzzer将这些新的测试用例（testcase）作为输入执行经过了插桩的被测程序，观察被测程序是否有异常行为或者崩溃（crash），并根据插桩产生的反馈（feedback）保留触发了新代码的测试用例作为新种子。
2. Motivation
然而，代码覆盖率引导的模糊测试在测试具备复杂状态的程序（比如网络协议程序、内核驱动）时存在局限，即fuzzer缺乏指导来遍历程序状态。原因在于代码覆盖率引导的模糊测试只关心代码覆盖率，因此会丢弃没有触发新代码的测试用例，即使这些测试用例触发了新的状态。以IJON[2]论文提出的迷宫程序为例，在图2的代码中，代码覆盖率引导的模糊测试可以轻松的覆盖所有代码行，在此之后，即使x和y有不同取值，也会被模糊测试器丢弃，因为没有触发新的代码行。这样一来，因为缺乏指导，模糊测试很难通过随机生成x和y，来遍历所有的x、y取值组合来触发Bug()函数。
因此，作者认为对这些程序，需要使用状态敏感的模糊测试（state-aware fuzzing）。
图2. 迷宫示例代码
3. Design
至于如何进行状态敏感的模糊测试，作者归纳了3个要回答的问题：
Ø (1) 什么是程序状态？
Ø (2) 如何识别程序状态，并在模糊测试的时候跟踪程序状态？
Ø (3) 如何用程序状态信息指导模糊测试？
对于第一个问题“什么是程序状态”，程序状态理论上是程序执行的上下文信息，包括所有内存和寄存器的取值。然而，这些信息太过庞大，在实际fuzzing的时候跟踪监控所有这些信息是不可行的。因此，作者认为考虑到可行性，fuzzer只需要关心程序状态的一个子集。
最近的研究工作提出了一些表示部分程序状态的方法：IJON[2]提出人工在程序代码中添加标注，将标注过的数据作为程序状态，然而这种人工标注需要专家知识和大量人力；AFLNet[3]提出使用程序状态码表示程序状态，但是很多程序不会用到状态码。
经过对一些开源程序的调研，作者发现在程序中用变量表示程序状态十分常见。综上，作者认为fuzzing时关心的程序状态为用变量表示的程序状态，作者将表示了状态的变量称为状态变量（state-variable）。
于是，第二个问题“如何识别程序状态”就等价于如何识别程序中的状态变量。作者总结了状态变量的三个特征：需要有很长的生命周期，可以跨越不同的程序状态来记录状态信息；变量会被用户更新（update）来产生状态转移；状态往往可以影响程序行为，因此状态变量需要能影响程序的控制流或者内存访问。同时，作者观察到状态丰富的程序往往会使用多次交互的输入，每次交互会触发相应的程序行为（program action），例如FTP server程序会接收User、Pass等不同的packets，User packet会触发USER请求对应的请求处理函数，Linux内核里的file_operations也会根据不同的系统调用执行对应的operations。在这些程序中，状态变量经常被不同的program action共享来实现状态转移或者状态查询。因此，作者提出通过静态分析识别这些program action之间共享的变量来作为状态变量（识别过程如图3所示），并且在fuzzing的时候监控这些变量。
图3. 提取状态变量
对于第三个问题“如何使用程序状态指导fuzzing”，一个直观的想法是仍然借助遗传算法，使用state coverage作为fuzzing的feedback。然而，如果我们把每一个状态的取值作为一个新的状态，就会出现状态爆炸的问题，因为一个32位的变量就有2的32次方个取值。为此，作者提出可以通过符号执行提取程序约束信息，将一些状态相似的取值合并到一起，将变量的值域分割为多个值域范围，不同的值域作为不同的状态，同时变量的极值也可以反映程序的状态。最后，作者提出了一个三维的feedback机制和一个三层种子池，将代码覆盖率、状态变量值域范围覆盖率和极值率作为fuzzing feedback指导fuzzer。
作者实现了一个StateFuzz原型，用于测试Linux驱动，架构设计如图4所示。
图4. StateFuzz架构
4. Evaluation
在实验评估阶段，作者首先评估了StateFuzz提取出来的状态模型。StateFuzz分别从Linux 4.19内核驱动和MSM 4.14内核驱动中提取出了6055个和5037个状态变量，平均每个状态变量划分了3个值域范围。经过人工验证，StateFuzz可以成功识别出90%的状态变量。
之后，作者对StateFuzz的代码覆盖率和状态覆盖率进行了评估，在测试Linux 4.19内核驱动实验中，StateFuzz的代码覆盖率比Syzkaller高19%，值域范围覆盖率比Syzkaller高32%，更多的细节请参见论文。
最后，作者评估了StateFuzz的漏洞发现能力。StateFuzz在Linux 4.19内核驱动以及MSM 4.14内核驱动中一共发现了20个漏洞，其中19个被确认，有14个被确认的漏洞被分配了CVE。另外，在19个被确认的漏洞中，有9个漏洞获得了来自谷歌或高通的漏洞赏金奖励。
图5. StateFuzz发现的漏洞
5. 结论
在上文的描述中，我们展示了StateFuzz，一个状态敏感的模糊测试方案。StateFuzz通过静态分析识别状态变量表示状态，并通过跟踪状态变量的值域范围覆盖率和极值指导fuzzing。理论上，StateFuzz可以扩展到网络协议程序（作者已经进行了初步的探索，可以参见论文NSFuzz[4]）、智能合约等状态丰富的程序。
论文PDF：https://github.com/vul337/StateFuzz/raw/main/statefuzz.pdf
Reference：
[1]. Michal Zalewski. 2014. American Fuzzy Lop. http://lcamtuf.coredump.cx/afl/
[2]. Aschermann C, Schumilo S, Abbasi A, et al. Ijon: Exploring deep state spaces via fuzzing[C]//2020 IEEE Symposium on Security and Privacy (SP). IEEE, 2020: 1597-1612.
[3]. Pham V T, Böhme M, Roychoudhury A. AFLNet: a greybox fuzzer for network protocols[C]//2020 IEEE 13th International Conference on Software Testing, Validation and Verification (ICST). IEEE, 2020: 460-465.
[4]. Qin S, Hu F, Zhao B, et al. Registered Report: NSFuzz: Towards Efficient and State-Aware Network Service Fuzzing[J].
作者介绍：赵博栋，清华大学网络科学与网络空间研究院博士生，导师是张超老师。他的主要研究方向为程序分析、Linux内核模糊测试和容器模糊测试。
课题组介绍：清华大学软件与系统安全课题组（VUL337）由张超老师带领，团队主要研究兴趣为：针对软件与系统安全领域漏洞与恶意代码等问题，面向主机、移动设备、区块链、物联网、车联网、人工智能系统等目标，研究自动化、智能化攻防技术，构建智能分析系统；针对数据安全与隐私计算问题，研究芯片、系统、算法协同的实用化解决方案。团队长期招聘对安全感兴趣的博士后、工程师、客座研究生、实习生等。
张超老师主页：https://netsec.ccert.edu.cn/chs/people/chaoz/
推荐站内搜索：最好用的开发软件、免费开源系统、渗透测试工具云盘下载、最新渗透测试资料、最新黑客工具下载……
还没有评论，来说两句吧...