BullsEye: Directed Firmware Fuzzing
随着物联网（IoT）设备的广泛部署，固件安全已成为现代软件安全的重要议题。其中，第三方软件组件的频繁复用是引入已知漏洞的主要途径，然而固件镜像是否实际暴露这些漏洞仍难以判断，尤其是公开的PoC利用代码使得该问题更加紧迫。定向灰盒模糊测试（D
#directed-greybox-fuzzing
共收录 4 条相关情报。
← 返回所有主题DAFL: Directed Grey-box Fuzzing guided by Data Dependency.
本文提出了一种名为DAFL的定向灰盒模糊测试方法，旨在通过数据依赖关系引导模糊测试过程，提高对特定目标代码区域的覆盖率和漏洞发现效率。传统的灰盒模糊测试通常依靠覆盖率反馈来探索程序，但在定向场景下（如针对特定补丁或关键函数），随机探索效率低
DeepGo: Predictive Directed Greybox Fuzzing.
定向灰盒模糊测试（DGF）旨在通过预定义目标位置强化对易受攻击代码区域的测试。现有DGF技术主要基于启发式算法优化适应度指标，但这些方法依赖历史执行信息，对尚未执行的路径缺乏预见性，导致难以处理具有复杂约束的路径，从而降低DGF效率。本文提
Predecessor-aware Directed Greybox Fuzzing.
本文提出了一种名为前驱感知定向灰盒模糊测试（PDGF）的新方法，旨在解决现有定向灰盒模糊测试（DGF）技术中存在的重量级和不完整性问题。DGF是一种面向目标的模糊测试技术，用于复现或发现软件漏洞，通常分为静态分析（预先获取程序结构信息）和动