FExM 自动化模糊测试框架教程
2024-09-17 07:40:50作者:裘晴惠Vivianne
项目介绍
FExM(Fuzz Ex Machina)是一个自动化模糊测试框架,旨在简化基本的模糊测试流程。它是由多年的实际模糊测试经验积累而成,提供了一种最佳努力的方法,能够快速启动并发现大多数应用程序中的漏洞。FExM 的自动化特性使其能够用于模糊测试完整的软件仓库和发行版,以及单个程序。
项目快速启动
前提条件
FExM 目前仅支持在 Ubuntu Linux(18.04)上运行。如果你只是想尝试一下,可以使用我们提供的 Vagrant 虚拟机,其中包含了正确的环境设置。
软件要求
- Vagrant(测试版本:2.1.2)
- VirtualBox(测试版本:5.2.14)
- 推荐安装的 Vagrant 插件:
- vagrant-disksize(增加 Vagrant 磁盘空间)
- vagrant-winnfsd(通过 NFS 共享文件夹,仅限 Windows)
硬件要求
- 8GB 内存或更多
- 足够的磁盘空间(建议大量空间)
- 8 个逻辑 CPU(或根据需要手动调整 Vagrantfile)
安装步骤
-
克隆 FExM 仓库:
git clone git@github.com:fgsect/fexm.git cd fexm -
使用 Vagrant 启动虚拟机:
vagrant up vagrant ssh -
手动设置(如果需要):
/fexm/scripts/setup.sh该脚本将执行以下步骤:
- 安装 Docker
- 安装 RabbitMQ
- 在
~/virtualenvs中创建 FExM 虚拟环境,并安装requirements.txt中的包
模糊测试
-
获取种子文件:
fexm crawl -a <GitHub AUTHTOKEN> -o <PathToSeeds>在 Vagrant 中,可以直接运行:
fexm crawl -a <GitHub AUTHTOKEN> -
运行模糊测试:
fexm fuzz /examples/top500.json这将启动模糊测试,并将结果存储在
out目录中。
应用案例和最佳实践
应用案例
FExM 可以用于测试各种类型的软件,包括但不限于:
- 操作系统内核
- 网络协议栈
- 应用程序库
最佳实践
- 选择合适的种子文件:种子文件的质量直接影响模糊测试的效果。建议从已知的漏洞或常见输入中生成种子文件。
- 配置文件优化:根据目标程序的特性,调整 JSON 配置文件中的参数,以提高测试效率。
- 结果分析:定期检查模糊测试的结果,及时修复发现的漏洞。
典型生态项目
FExM 作为一个自动化模糊测试框架,可以与其他开源工具和项目结合使用,以增强其功能和效果。以下是一些典型的生态项目:
- AFL(American Fuzzy Lop):一个广泛使用的模糊测试工具,FExM 可以与其结合使用,以提高测试覆盖率。
- LibFuzzer:一个基于 LLVM 的模糊测试引擎,可以与 FExM 结合使用,以测试 C/C++ 代码。
- Docker:FExM 使用 Docker 来隔离测试环境,确保测试的稳定性和可重复性。
通过结合这些工具,FExM 可以成为一个强大的模糊测试解决方案,帮助开发者和安全研究人员发现和修复软件中的漏洞。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
763
4.96 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
856
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
676
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler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。
C
455
437
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.07 K
1.09 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
296
114
昇腾LLM分布式训练框架
Python
178
220