1.honggfuzz漏洞挖掘技术深究系列（1）——反馈驱动
2.LibFuzzer workshop学习之路（final）
3.模糊测试工具 AFL的原理与实践

honggfuzz漏洞挖掘技术深究系列（1）——反馈驱动

       honggfuzz漏洞挖掘技术详解（1）——反馈驱动

       反馈驱动是漏洞挖掘技术中的关键策略，它通过追踪样本触发的代码覆盖率，优化输入样本以提升覆盖率，从而增加发现漏洞的可能性。在业界，AFL、pdd网站源码libfuzzer和honggfuzz是基于代码覆盖率的三大著名Fuzzer，它们均开源，可在GitHub上获取。

       honggfuzz尤其受到关注，其原理与应用将是我们系列探讨的重点。我曾深入研究过honggfuzz的源码并进行二次开发，实践证明其挖掘漏洞的效果显著。系列将详细解析honggfuzz的运作机制，从代码覆盖率的三种衡量标准——函数、基本块和边界，到实际应用中的反馈驱动原理。

       在honggfuzz中，system.out 源码基本块覆盖率是主要的统计方式。通过编译选项，如添加`-fsanitize-coverage=bb`，可以生成`sancov.map`和`sancov.raw`文件，记录执行过的基本块信息。honggfuzz会分析这些文件，计算覆盖率，根据新路径或链接库加载情况，生成变异样本以触发更多未探索的路径。

       honggfuzz诞生于年，与AFL同时期发布，AFL的出现极大地推动了安全领域的发展。尽管AFL源码分析众多，honggfuzz的深度剖析却相对较少，因此我决定编写这一系列文章。个人曾为honggfuzz贡献代码，但未被采纳，toolbar控件布局源码于是转向自行开发，为不同平台添加新功能，并借此发现了不少CVE。

       后续文章将深入探讨honggfuzz的更多细节，感谢robertswiecki创建出这款强大的工具。这些内容源自公众号：漏洞战争。

LibFuzzer workshop学习之路（final）

       libfuzzer workshop是一次深入的fuzzing学习之旅，本文精选最后两个案例 - 针对re2和pcre2的fuzz，深入探讨了链接库选择、插桩编译参数设置及max_len对结果的影响。

       以pcre2为例，作为Perl兼容的正则表达式库，其在许多开源软件中被广泛使用。进行源码编译时，需注意通过特定插桩参数优化编译效率。设置如fuzzer-no-link参数来确保不链接主符号，尤其在处理大型项目时，网站源码如何看懂能显著提升fuzz效率。

       编译过程中，根据pcre2的特性添加了如--with-match-limit和--with-match-limit-recursion限制匹配操作的资源使用和递归深度，以及--enable-never-backslash-C禁用特定正则模式，优化匹配过程。之后，分析提供的harness实现逻辑，结合参数优化执行，很快得到了crash现象。研究崩溃发生的具体位置，定位漏洞所在函数，并一步步追溯其调用链，对整个过程的细节进行了详尽的剖析。

       针对re2库的fuzzing，展示了max_len选择对fuzz过程的重要性。不同长度设置下的探测效果差异显著，max_len值决定样本长度范围，go runtime源码解析从而影响寻找覆盖点的速度。通过对比不同max_len的探测结果，可以清晰地看到其对fuzz效率的影响，合理选择max_len值可以显著提升发现crash的概率。

       学习总结指出，在libfuzzer workshop中，libfuzzer作为强大而常用的fuzz工具，其对开源库接口函数的fuzz能力突出。然而，设计合适的harness是挑战，需要深入了解要fuzz的开源库接口，通过逐步优化来接近发现crash的目标。

       本文展示了libfuzzer workshop的关键点，从源码准备、参数优化到harness的构造和性能调优，再到深入分析crash定位和漏洞修复策略，全面展示了学习libfuzzer的深度与广度。

模糊测试工具 AFL的原理与实践

       在软件开发领域，确保质量和安全是关键。模糊测试作为高效自动化测试策略，专门用于检测程序中的错误和安全漏洞。本文旨在详细介绍AFL（American Fuzzy Lop）的基本原理和实践方法。

       模糊测试原理介绍

       AFL是一种通过输入异常或随机数据来自动化发现程序错误的测试方法。它利用遗传算法不断生成测试用例，并通过动态插桩技术监控程序行为，尤其关注代码覆盖情况。当新输入引发新代码路径时，该输入会被保存以进一步测试。这一循环不断优化测试用例，探索更多程序状态。

       AFL流程图展示了从准备测试用例到监控程序行为的核心步骤，突出其动态性和迭代性。

       AFL采用fork运行模式，这使得程序崩溃时，测试进程不会终止，相较于LibFuzzer更具有优势。然而，频繁的fork操作也意味着效率不如LibFuzzer。

       AFL安装与运行

       AFL主要针对UNIX-like系统，尤其在Linux上表现最佳。Windows用户可通过winafl进行模糊测试，支持多种CPU架构，其中对x和x架构支持最好。若需ARM架构支持，则需使用QEMU模式。

       安装步骤包括源码编译，使用afl-fuzz命令启动测试，命令格式如下：

       命令中的/path/to/program替换为目标程序路径，[options]为程序运行选项或参数。若测试程序需从文件读取输入，可使用@@占位符。AFL将根据测试需求替换此占位符。

       AFL使用示例

       下面是一个简单示例，演示如何使用AFL进行模糊测试。目标程序实现四则运算，使用不安全的gets函数可能导致缓冲区溢出。

       首先，对源码进行AFL编译，添加代码覆盖插桩。接着，准备初始语料库作为测试起点，无论输入是文件还是stdin，AFL都需要初始数据。在运行AFL前设置系统核心转储文件命名规则，便于检测程序崩溃情况。运行测试时，根据程序输入来源选择是否使用@@占位符。

       运行后，AFL界面显示测试结果，包括找到的崩溃和覆盖率信息。结果通过pythia工具分析。输出目录结构清晰，便于后续分析。

       AFL的QEMU模式

       对于已编译的二进制文件，AFL可通过QEMU模式进行模糊测试，无需源码。QEMU模式使用用户模式仿真运行二进制文件，支持对闭源应用的模糊测试。

       QEMU模式安装与使用步骤包括编译QEMU支持和执行AFL-fuzz命令时添加-Q参数。

       AFL++升级版

       AFL++作为AFL的增强版，改进了调度策略和变异算法，新增CMPLOG和持久化等特性，提高代码覆盖率和测试效率。

       CMPLOG功能记录比较操作参数，帮助理解输入逻辑，提高路径覆盖。持久化模式允许程序在单个进程周期内多次执行测试用例，减少启动成本，加快测试速度。

       总结

       AFL是一款功能强大的模糊测试工具，适用于多种架构和系统环境。尽管存在覆盖率瓶颈，但结合其他技术如符号执行，可有效突破限制，提升测试能力。