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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C061
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0131
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