FExM 自动化模糊测试框架教程
2024-09-17 22:24:59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
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
最新内容推荐
Python开发者的macOS终极指南:VSCode安装配置全攻略 Launch4j中文版:Java应用程序打包成EXE的终极解决方案 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 MQTT客户端软件源代码:物联网开发的强大工具与最佳实践指南 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 STM32到GD32项目移植完全指南:从兼容性到实战技巧 XMODEM协议C语言实现:嵌入式系统串口文件传输的经典解决方案
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
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++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660