探索未知,hotwax——以Frida Stalker驱动的二进制模糊测试框架
在这个数字时代,软件安全至关重要,而模糊测试(fuzz testing)是一种被广泛用于发现软件漏洞的有效手段。今天,我们向您推荐一个创新项目——hotwax,它是一个基于Frida Stalker的覆盖率引导的二进制模糊测试工具,即使在没有预先编译的条件也能实现强大的动态覆盖跟踪。
项目简介
hotwax并非传统的模糊测试工具,而是通过动态插入机器指令来实时监控和记录程序执行路径的覆盖率。得益于Frida的强大功能,hotwax能够提供一种闭箱测试解决方案,适用于那些无法进行预编译或不便于修改源代码的场景。它的工作方式是,在运行时寻找基本块的终止点,并在此处插入跟踪代码,进而与模糊测试引擎(如AFL)交互,报告覆盖率信息。
技术分析
hotwax的核心是利用Frida Stalker库的C API,这是一种动态代码插桩技术,能够在运行时观察并改变程序的行为。它可以在基本块的边界动态插入机器码,这些插入的代码负责与模糊测试器通信,传递覆盖信息。这种巧妙的方法使得hotwax能在不改变目标二进制文件的情况下实现覆盖率指导的模糊测试。
应用场景
- 闭源软件测试 - 当你不能访问或修改目标应用程序的源代码时,hotwax可以帮助你进行安全评估。
- 第三方库检测 - 对于那些集成到你的系统中的外部库,hotwax可以自动进行仪器化处理,无需额外工作。
- 快速原型验证 - 需要快速测试新思路或概念验证时,hotwax提供了易于使用的接口和示例,可以帮助你快速上手。
项目特点
- 动态仪器化 - hotwax能够在运行时动态插入跟踪代码,无需预先编译或修改目标程序。
- 兼容性强 - 支持多种操作系统和架构,适配各种二进制文件。
- 无缝集成AFL - 利用AFL成熟且高效的模糊测试算法,提高测试效率和深度。
- 可扩展性 - 用户可以通过修改
target_X.c文件,轻松适应新的测试目标。
使用指南
要开始使用hotwax,首先确保安装了frida-gum-devkit和AFL,然后构建hotwax并创建测试用例目录。放置初始输入文件后,你可以直接使用AFL启动模糊测试。对于自定义软件,只需调整target_X.c并添加相关测试用例。
不仅如此,hotwax还提供了一个基准对比版本,使你可以在传统AFL编译器插件方法和hotwax动态插桩之间进行比较。
不要错过这个强大的工具,无论你是安全研究人员还是软件开发者,hotwax都能为你的软件安全保驾护航。立即加入我们,探索hotwax带来的无限可能性!
请注意: 这个项目已不再维护,请查看AFL++ LibAFL,获取最新和最全的模糊测试资源。

许可: 此项目使用了Apache 2.0许可下的AFL代码和wxWindows Library Licence, Version 3.1许可下的Frida代码,所有@meme的原创代码采用Unlicense授权。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00