datAFLow 的安装和配置教程

1. 项目基础介绍和主要编程语言

datAFLow 是一个基于 AFL++ 的数据流导向的模糊测试工具。它通过使用基于数据流的反馈机制（具体为 def-use 关联）来提高模糊测试的效率。datAFLow 采用了灵活且高效的内存对象元数据方案，即 Padding Area MetaData (PAMD) 方法，来提升模糊测试的性能。

该项目主要使用的编程语言包括 C、C++ 和 Python。

2. 项目使用的关键技术和框架

• AFL++：datAFLow 是构建在 AFL++ 之上的，它继承并扩展了 AFL++ 的模糊测试功能。
• LLVM：项目使用 LLVM 作为代码 instrumentation 的基础，对程序进行编译和转换。
• Z3 SMT Solver：用于 SVF 静态分析组件，帮助进行数据流分析。
• PAMD (Padding Area MetaData)：一种内存对象元数据方案，用于高效地跟踪数据流。

3. 项目安装和配置的准备工作及详细安装步骤

准备工作

在开始安装之前，请确保您的系统满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 20.04)
• LLVM：版本 12-14
• Python：用于数据流-cc 包装器
• Z3 SMT Solver：用于静态分析（可选）

安装步骤

1. 克隆项目仓库：

   git clone https://github.com/HexHive/datAFLow.git
   cd datAFLow
   

2. 安装 Z3（可选）：

   git clone https://github.com/z3prover/z3
   git -C z3 checkout z3-4.8.8
   mkdir -p z3/build
   cd z3/build
   cmake .. \
   -DCMAKE_INSTALL_PREFIX=$(realpath ../install) \
   -DZ3_BUILD_LIBZ3_SHARED=False
   make -j
   make install
   

3. 初始化子模块：

   git submodule update --init --recursive
   

4. 构建 fuzzalloc：

   cd $FUZZALLOC_SRC
   mkdir build
   cd build
   cmake .. \
   -DCMAKE_C_COMPILER=clang-12 -DCMAKE_CXX_COMPILER=clang++-12 \
   -DLLVM_DIR=$(llvm-config-12 --cmakedir) \
   -DZ3_DIR=/path/to/z3/install
   make -j
   

   如果需要构建基于 SVF 的静态分析，请在 cmake 中添加 -DUSE_SVF=True 选项。

5. 配置环境变量：

   根据需要配置以下环境变量：

   • FUZZALLOC_DEF_MEM_FUNCS：列出自定义内存分配函数
   • FUZZALLOC_DEF_SENSITIVITY：设置 def 站点的敏感度
   • FUZZALLOC_USE_SENSITIVITY：设置 use 站点的敏感度
   • FUZZALLOC_USE_CAPTURE：设置在 use 站点捕获的内容
   • FUZZALLOC_INST：设置 instrumentation 类型

6. 使用 dataflow-cc 替换 clang：

   在编译目标程序时，使用 dataflow-cc 或 dataflow-c++ 替换 clang 或 clang++。

   dataflow-cc -o my_program my_program.c
   

完成以上步骤后，您就可以开始使用 datAFLow 进行数据流导向的模糊测试了。