Source: https://www.ndss-symposium.org/ndss-paper/darwin-survival-of-the-fittest-fuzzing-mutators/
Authors: Patrick Jauernig, Domagoj Jakobovic, Stjepan Picek, Emmanuel Stapf, and Ahmad-Reza Sadeghi.
Download Note: https://jbox.sjtu.edu.cn/l/41v4gr
Contributor: lt
Overview
模糊测试是一种被工业界广泛使用的自动化软件测试技术，其主流类别之一是基于变异的模糊测试。虽然学术界多年来一直在研究基于变异的模糊测试，但算法在模糊测试器中的相互作用非常复杂，可能与随机性一起导致不可预测的结果。大多数优化模糊测试的方法聚焦于种子的能量分配。但是，真实世界的结果（比如谷歌的FuzzBench）表明，这些方法在实践中并没有实质性的性能提升。另一种改进模糊测试的方法是优化种子的变异，但它存在两个问题：第一，缺乏真实世界的性能提升；第二，有太多用户控制的参数，其配置需要与目标程序相关的专业知识。这让“实现可度量的改进”成为了一个具有挑战性的问题。
本文提出了DARWIN，一个基于AFL的新变异器。它不需要引入额外的用户配置参数，而且可以在真实世界中改进模糊测试的效率。DARWIN采用进化策略（Evolution Strategy，ES）系统地优化并选择变异操作的概率分布（适者生存）。
- 在覆盖率实验（FuzzBench）中，DARWIN显著地优于最新的变异器（应该是MOPT）与AFL。
- 在漏洞挖掘实验（MAGMA）中，DARWIN最快地找出了21个漏洞的15个漏洞。
- 在漏洞挖掘实验（widely-used real-world applications）中，DARWIN找到了20个unique bug（1个新漏洞），比AFL多66%。