【技术实现步骤摘要】
一种自动选取模糊器组合的集成模糊测试方法和系统
[0001]本专利技术涉及程序测试
，是一种自动选取模糊器组合的集成模糊测试方法和系统，尤其涉及一种使用机器学习辅助选择合适的模糊器的集成模糊测试方法和系统。
技术介绍
[0002]模糊测试是一种通过生成随机变异的输入并将其输入被测程序，然后观察被测程序的行为来自动发现漏洞的测试技术，目前已经成为了查找软件错误和漏洞的重要技术。近几年来，AFL和HonggFuzz等开源模糊测试工具已经在实践中成功得到了应用。
[0003]目前常用的软件模糊器主要都是基于覆盖率引导的，以便生成能够最大化代码覆盖率的输入集，因此需要大量生成各种测试用例并将其输入目标程序来收集程序的反馈信息，而这是一个十分消耗CPU资源的工作；另一方面，项目软件代码规模的不断增长，也使得模糊测试过程需要消耗更多的计算资源和测试时间。因此，需要通过模糊器的并行，即同时运行多个模糊器实例来提高测试效率。
[0004]为此，流行的模糊器(例如AFL)都会自带一个并行模式。在此模式下，多个模糊器实例会...
【技术保护点】
【技术特征摘要】
1.一种自动选取模糊器组合的集成模糊测试方法，其特征在于：分为训练阶段和测试阶段；其中，训练阶段分为三个步骤：1
‑
1、评估单个模糊器的性能：在各个选定的待测程序上，依次测试所有可选模糊器在该待测程序上的性能表现；1
‑
2、预测模糊器组合在各待测程序上的测试性能：根据上一步得到的在每个待测程序上单独使用各可选模糊器的性能，分别计算出在每个模糊器上各种模糊器组合的性能期望；1
‑
3、构建和训练待测程序分类网络：构建一个包含特征提取部分和分类部分的代码分类网络，首先使用公开的代码分类数据集训练该网络，然后使用迁移学习的方法，使其实现根据待测程序的特征给出适合的模糊器组合的功能；测试阶段分为两个步骤：2
‑
1、预测适合待测程序的模糊器组合：将待测程序输入代码分类网络，得到相适应的模糊器组合；2
‑
2、使用异构模糊器对待测程序进行并行测试：使用这个模糊器组合对待测程序进行并行测试，测试结束后收集全部测试结果并去重。2.如权利1所述的自动选取模糊器组合的集成模糊测试方法，其特征在于：在不进行实际并行测试的情况下，预测在给定的模糊测试待测程序列表中的每一个对象上各种模糊器组合的性能；其工作流程遵循以下步骤：1
‑2‑
1、依次选择给定的模糊测试待测程序列表中的各个待测程序，若所有的待测程序都被选择完毕，则该步骤结束运行；1
‑2‑
2、逐一读取在该待测程序上各个可选模糊器在评估单个模糊器的性能这一步骤中得到的所有分支覆盖位图和覆盖的路径数；1
‑2‑
3、选取在该待测程序上各次测试平均覆盖路径数最多的模糊器；1
‑2‑
4、使用分支覆盖位图计算包含步骤1
‑2‑
3中选中的模糊器在内的各种模糊器组合覆盖每个分支的概率，然后计算在该待测程序上覆盖分支数的数学期望；其中，模糊器组合中的模糊器数量为输入的值；1
‑2‑
5、将步骤1
‑2‑
4计算出的覆盖分支数的数学期望值作为该模糊器组合在该待测程序上的性能得分，给出在该待测程序上所有模糊器组合的性能分数表，并从该性能分数表中筛选出最高性能得分对应的模糊器组合。3.如权利1或2所述的自动选取模糊器组合的集成模糊测试方法，其特征在于使用常用的代码分类网络的特征提取部分和两层全连接层组成的分类部分构建分类网络；在训练此网络时，首先使用公开的代码分类任务数据集训练该网络；然后使用迁移学习的方法，训练一个可以根据待测目标特征自动给出其最适合的模糊器组合的网络。4.如权利3所述的自动选取模糊器组合的集成模糊测试方法，其特征在于建与训练待测程序分类网络的流程满足以下步骤：1
‑3‑
1、使用代码分类网络的特征提取部分与两层全连接层组成的分类部分组成基础的代码分类网络；1
‑3‑
2、使用公开的程...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。