北京网站建设市场,网站内容 优化,毕业答辩ppt 网站开发,黄骅市网站建设价格unibench是一个用来评估模糊测试工具的benchmark。这个benchmark集成了20多个常用的测试程序#xff0c;以及许多模糊测试工具。
这篇文章#xff08;https://zhuanlan.zhihu.com/p/421124258#xff09;对unibench进行了简单的介绍#xff0c;本文就不再赘诉#xff0c;…unibench是一个用来评估模糊测试工具的benchmark。这个benchmark集成了20多个常用的测试程序以及许多模糊测试工具。
这篇文章https://zhuanlan.zhihu.com/p/421124258对unibench进行了简单的介绍本文就不再赘诉而是侧重于介绍unibench具体是如何用来评估模糊测试工具。
关于unibench更详细的介绍可以去看2021年发表在Usenix Security上的论文[https://nesa.zju.edu.cn/download/UNIFUZZ A Holistic and Pragmatic Metrics-Driven Platform for Evaluating Fuzzers.pdf](https://nesa.zju.edu.cn/download/UNIFUZZ A Holistic and Pragmatic Metrics-Driven Platform for Evaluating Fuzzers.pdf)
unibench可以在这里找到https://github.com/unifuzz
下面将介绍以使用unibench来评估AFL这一经典的模糊测试工具为例来介绍过一下unibench的流程。
1. 构建AFL和测试程序的镜像
运行下面命令构建AFL和unibench的20个程序的镜像。下面命令需要较长的时间才能完成。
git clone https://github.com/unifuzz/unibench_build.git
cd unibench/afl
docker build -t .除了上面的方法unifuzz的作者也在dockerhub上传了build好的镜像可以直接使用。具体可以查看该链接https://hub.docker.com/r/unifuzz/unibench
docker pull unifuzz/unibench:afl然后运行下面命令验证是否装好 docker run -it --rm unifuzz/unibench:afl strings /d/p/justafl/exiv2 |grep afl|head若出现下面的提示信息则说明已装好
__afl_global_area_ptr
__afl_maybe_log
__afl_area_ptr
__afl_setup
__afl_store
__afl_prev_loc
__afl_return
__afl_setup_failure
__afl_setup_first
__afl_setup_abort
2. 运行模糊测试实验
2.1 系统配置
运行实验前先进行基础的系统配置
echo | sudo tee /proc/sys/kernel/core_pattern # disable generating of core dump file
echo 0 | sudo tee /proc/sys/kernel/core_uses_pid
echo performance | sudo tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor
echo 0 | sudo tee /proc/sys/kernel/yama/ptrace_scope
echo 1 | sudo tee /proc/sys/kernel/sched_child_runs_first # tfuzz require this
echo 0 | sudo tee /proc/sys/kernel/randomize_va_space # vuzzer require this如果出现No such file or directory的错误信息也没关系可以无视。
2.2 运行实验
前面搭建好的镜像中已经使用afl-clang插过桩了所以只需要使用docker run命令来跑afl-fuzz就可以运行模糊测试的实验了。
mkdir work # 在宿主机创建一个文件夹保留AFL跑实验的结果
cd work
git clone https://github.com/unifuzz/seeds.git # 获取测试程序所需的种子
docker run -it --cpus1 -w /work -v pwd:/work --privileged unifuzz/unibench:afl \
afl-fuzz -i /work/seeds/general_evaluation/mp3 -o output -m none -t 500 \
--/d/p/justafl/mp3gain 下面介绍下docker run各个选项的意思
-it指定交互式终端并分配伪终端—cpus1只分配一个CPU核-w /work指定容器内工作目录为/work-v pwd:/work 挂载当前目录宿主机为容器的/work目录使容器内部对/work的访问实际上是对宿主机当前目录的访问—privileged赋予容器运行时的特权
然后第二行开始的就是afl-fuzz的选项
-i /work/seeds/general_evaluation/mp3指定种子目录为/work/seeds/general_evaluation/mp3-o output指定输出目录为 output-m none不限制内存-t 500处理种子样例所需的时间
第三行可以理解为AFL会不断fork进程运行第三行的命令则是模糊测试生成的测试样例的占位符。
unibench也给出了其他程序的命令行参数。
data [#id, prog, commandline, seed_folder[1, exiv2, , jpg],[2,tiffsplit,,tiff],[3,mp3gain,,mp3],[4,wav2swf,-o /dev/null ,wav],[5,pdftotext, /dev/null,pdf],[6,infotocap,-o /dev/null ,text],[7,mp42aac, /dev/null,mp4],[8,flvmeta,,flv],[9,objdump,-S ,obj],[14, tcpdump, -e -vv -nr , tcpdump100],[15, ffmpeg, -y -i -c:v mpeg4 -c:a copy -f mp4 /dev/null, ffmpeg100],[16, gdk-pixbuf-pixdata, /dev/null, pixbuf],[17, cflow, , cflow],[18, nm-new, -A -a -l -S -s --special-syms --synthetic --with-symbol-versions -D , nm],[19, sqlite3, , sql],[20, lame3.99.5, /dev/null, lame3.99.5],[21, jhead, , jhead],[22, imginfo, -f , imginfo],[23, jq, . , json],[24, mujs, , mujs],# below is the LAVA-M settings[10,uniq,,uniq],[11,base64,-d ,base64],[12,md5sum,-c ,md5sum],[13,who,,who],
]运行完上面命令就会显示AFL的界面。
如果想后台运行实验docker run的时候加上-d选项即可
docker run -itd --cpus1 -w /work -v pwd:/work --privileged unifuzz/unibench:afl \
afl-fuzz -i /work/seeds/general_evaluation/mp3 -o output -m none -t 500 \
--/d/p/justafl/mp3gain 3. 分析实验结果
unifuzz提供了一些分析实验结果的脚本。尝试了在宿主机下运行疯狂报错看起来需要在docker容器内部运行。
https://github.com/unifuzz/metrics
