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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00