MARC

 008260126s2024        us                              c    eng  d
■001000017360557
■00520260202105546
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265400208
■035    ▼a(MiAaPQ)AAI32315598
■035    ▼a(MiAaPQ)GeorgiaTech75635
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a415
■1001  ▼aChen,  Yongheng.
■24510▼aFuzzing  with  Advanced  Program  Exploration  and  Bug  Modeling  for  Software  Security
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a153  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Lee,  Wenke.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aFuzzing  is  a  well-received  software  testing  technique.  It  operates  by  generating  random  inputs  and  then  executing  these  against  a  given  target  program,  thus  probing  various  program  states  to  pinpoint  anomalies.  Despite  its  proven  utility,  fuzzing  has  its  limitations.  Like  other  dynamic  testing  methods,  it  struggles  with  inadequate  exploration  of  the  program  state  space.  This  limitation  stems  from  issues  such  as  the  unstructured  nature  of  the  generated  inputs  and  the  inefficient  use  of  computational  resources  across  multiple  cores.  A  more  critical  shortcoming  of  traditional  fuzzing  lies  in  its  approach  to  bug  modeling:  it  primarily  detects  bugs  through  program  crashes,  overlooking  a  myriad  of  bugs  that  do  not  crash  the  program  execution  but  are  equally  consequential.  While  the  development  of  dedicated  oracles  represents  a  stride  toward  refined  bug  modeling,  this  solution  is  often  impractical  due  to  the  high  costs  associated  with  crafting  oracles  that  are  typically  bug-specific  or  tailored  to  individual  programs.To  address  these  limitations,  we  propose  two-dimensional  improvements,  which  scales  the  program  exploration  capability  and  enhances  bug  modeling  in  fuzzing.  To  explore  more  program  states,  we  propose  POLYGLOT  and  µFUZZ  to  scale  the  program  exploration  capability  vertically  and  horizontally.  Specifically,  POLYGLOT  utilizes  a  unified  intermediate  representation  to  handle  diverse  programming  languages,  effectively  generating  semantically  valid  inputs  that  result  in  deeper  program  exploration,  finding  over  170  new  bugs  in  21  language  processors.  µFUZZ,  on  the  other  hand,  employs  a  microservice  architecture  to  maximize  the  efficiency  of  parallel  fuzzing,  reducing  synchronization  overhead  and  enhancing  the  utilization  of  computational  resources.  More  importantly,  µFUZZ  found  11  new  bugs  in  well-tested  popular  programs.  To  enhance  bug  modeling,  we  introduce  PROPGUARD,  a  framework  that  enables  the  specification  and  automatic  detection  of  a  wide  range  of  bug  patterns,  moving  beyond  mere  crash  detection  to  identify  subtle,  non-crashing  bugs.  By  allowing  users  to  define  bug  patterns  through  an  intuitive  specification  language,  PROPGUARD  facilitates  the  development  of  targeted  fuzzing  oracles,  thus  significantly  broadening  the  spectrum  of  detectable  software  vulnerabilities  and  finding  two  new  non-crashing  issues  in  open-source  projects.
■590    ▼aSchool  code:  0078.
■650  4▼aGrammar
■650  4▼aForgery
■650  4▼aProgramming  languages
■650  4▼aSyntax
■650  4▼aMutation
■650  4▼aSemantics
■650  4▼aComputer  science
■650  4▼aCriminology
■690    ▼a0984
■690    ▼a0627
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360557▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서