Направленный фаззинг Rust и Go с помощью LibAFL-DiFuzz

В современном мире при использовании подходов безопасной разработки ПО анализ программ и автоматическое тестирование имеют важное значение для минимизации уязвимостей перед выпуском программного обеспечения, при этом фаззинг является быстрым и широко используемым методом динамического тестирования. Однако традиционный фаззинг с обратной связью по покрытию может быть менее эффективен в некоторых задачах, таких как проверка срабатываний статического анализа или воспроизведение ошибок, где более эффективным оказывается направленный фаззинг, ориентированный на достижение целевых точек программы с использованием метрик близости. Одними из первых направленных фаззеров являются, например, AFLGo и BEACON, которые используют разные подходы метрик близости. Хотя большинство инструментов автоматического тестирования ориентированы на анализ C/C++ кода, растущая популярность Rust и Go вызывает потребность в точных и эффективных решениях для их анализа. Данная работа расширяет применимость направленного фаззинга за пределы традиционного анализа ПО на языках C/C++. Мы представляем новый подход к направленному фаззингу, специально разработанный для приложений на языках Rust и Go. Мы предлагаем новые методы предварительной обработки программы, оптимизации компилятора rustc, а также специальные методы построения графов и инструментации для обеспечения эффективного достижения целевых точек в программе. Реализованные нами инструменты направленного фаззинга для Rust и Go, основанные на инструменте LibAFL-DiFuzz, демонстрируют конкурентные преимущества по сравнению с популярными существующими фаззерами для этих языков, такими как afl.rs, cargo-fuzz и go-fuzz. Согласно экспериментам по метрике TTE (Time to Exposure), Rust-LibAFL-DiFuzz превосходит другие инструменты по наилучшему результату. Некоторые проблемы со стабильностью могут быть объяснены различными подходами к мутации входных данных. Go-LibAFL-DiFuzz превосходит своего оппонента по лучшим показателям и, в большинстве случаев, по среднему результату, имея два случая с разницей в несколько порядков. Эти результаты доказывают более высокую эффективность и точность нашего подхода.

1. Howard M., Lipner S. The security development lifecycle. Microsoft Press Redmond (online), vol. 8, 2006. Available at: http://msdn.microsoft.com/en-us/library/ms995349.aspx, accessed 22.05.2025.

2. ISO/IEC 15408-3:2008: Information technology – Security techniques – Evaluation criteria for IT security – Part 3: Security assurance components. ISO Geneva (online), 2008. Available at: https://www.iso.org/standard/46413.html, accessed 22.05.2025.

3. GOST R 56939-2016: Information protection. Secure software development. General requirements. National Standard of Russian Federation (online), 2016. Available at: http://protect.gost.ru/document.aspx?control=7&id=203548, accessed 22.05.2025.

4. Serebryany K. Continuous fuzzing with libFuzzer and AddressSanitizer. 2016 IEEE Cybersecurity Development (SecDev), 2016, p. 157. DOI: 10.1109/secdev.2016.043.

5. Fioraldi A., Maier D., Eißfeldt H., Heuse M. AFL++: Combining incremental steps of fuzzing research. 14th USENIX Workshop on Offensive Technologies (WOOT 20), 2020.

6. Bohme M., Pham V.-T., Nguyen M.-D., Roychoudhury A. Directed greybox fuzzing. Proceedings of the 2017 ACM SIGSAC conference on computer and communications security, 2017, pp. 2329-2344.

7. Parygina D., Mezhuev T., Kuts D. LibAFL-DiFuzz: Advanced Architecture Enabling Directed Fuzzing. 2024 Ivannikov Ispras Open Conference (ISPRAS), 2024.

8. afl.rs: Fuzzing Rust code with American Fuzzy Lop. [Online]. Available at: https://github.com/rust-fuzz/afl.rs, accessed 01.11.2025.

9. afl.rs DeepWiki. [Online]. Available at: https://deepwiki.com/rust-fuzz/afl.rs/4.1-component-overview, accessed 01.11.2025.

10. cargo-fuzz: a cargo subcommand for fuzzing with libFuzzer. [Online]. Available at: https://github.com/rust-fuzz/cargo-fuzz, accessed 01.11.2025.

11. go-fuzz: randomized testing for Go. [Online]. Available at: https://github.com/dvyukov/go-fuzz, accessed 01.11.2025.

12. Crump, A., Zhang, D., Asif, S. M., Maier, D., Fioraldi, A., Holz, T., & Balzarotti, D. CrabSandwich: Fuzzing Rust with Rust (Registered Report). Proceedings of the 2nd International Fuzzing Workshop, 2023.

13. GoLibAFL. [Online]. Available at: https://github.com/srlabs/golibafl, accessed 01.11.2025.

14. Fuzzing Made Easy Part #3: GoLibAFL – Fuzzing Go binaries using LibAFL. [Online]. Available at: https://srlabs.de/blog/golibafl---fuzzing-go-binaries-using-libafl, accessed 01.11.2025.

15. Huang H., Guo Y., Shi Q., Yao P., Wu R., Zhang C. Beacon: Directed grey-box fuzzing with provable path pruning. 2022 IEEE Symposium on Security and Privacy (SP), 2022, pp. 36-50.

16. Sargsyan S., Kurmangaleev S., Hakobyan J., Mehrabyan M., Asryan S., Movsisyan H. "Directed Fuzzing Based on Program Dynamic Instrumentation", Proceedings of International Conference on Engineering Technologies and Computer Science (EnT), 2019.

17. Sargsyan S., Hakobyan J., Mehrabyan M., Mkoyan R., Sahakyan V., Melkonyan V., Arutunian M., Fahradyan A., Avetisyan A. "Advanced Grammar-Based Fuzzing", Proceedings of Ivannikov Memorial Workshop, 2022.

18. The LLVM Compiler Infrastructure. [Online]. Available at: https://llvm.org, accessed 01.11.2025.

19. The cargo book. [Online]. Available at: https://doc.rust-lang.org/cargo/, accessed 01.11.2025.

20. Sanitizer Coverage. [Online]. Available at: https://clang.llvm.org/docs/SanitizerCoverage.html, accessed 01.11.2025.

21. Crate libfuzzer_sys. [Online]. Available at: https://docs.rs/libfuzzer-sys/latest/libfuzzer_sys/, accessed 01.11.2025.

22. Fioraldi, A., Maier, D. C., Zhang, D., & Balzarotti, D. Libafl: A framework to build modular and reusable fuzzers. Proceedings of the 2022 ACM SIGSAC Conference on Computer and Communications Security, 2022.

23. Kirkpatrick S., Gelatt Jr C. D., Vecchi M. P. Optimization by simulated annealing. Science, 1983, vol. 220, no. 4598, pp. 671–680.

24. Cerny V. Thermodynamical approach to the traveling salesman problem: An efficient simulation algorithm. Journal of optimization theory and applications, 1985, vol. 45, pp. 41-51.

25. Parygina, D., Mezhuev, T. and Kuts, D., 2025. Hybrid Approach to Directed Fuzzing. arXiv preprint arXiv:2507.04855, Available at: https://arxiv.org/pdf/2507.04855, accessed 01.11.2025.

26. SSA package in Golang. [Online]. Available at: https://pkg.go.dev/golang.org/x/tools/go/ssa, accessed 01.11.2025.