Pathgrind 开源项目教程
2024-09-18 11:52:40作者:伍希望
1. 项目介绍
Pathgrind 是一个基于 Valgrind 的动态符号执行引擎,使用 STP 进行约束求解。它主要用于对 32 位 Linux 二进制文件进行模糊测试(fuzzing)。Pathgrind 通过符号执行技术自动生成测试用例,帮助发现程序中的潜在漏洞和错误。
2. 项目快速启动
2.1 环境准备
在开始使用 Pathgrind 之前,请确保您的系统已经安装了以下依赖项:
- bzip2
- autoconf
- make
- gcc
- python
- gawk
- 32 位库(例如
ia32-libs和libc6-dev-i386)
在 Ubuntu 系统上,您可以使用以下命令安装这些依赖项:
sudo apt-get install bzip2 autoconf make gcc python gawk ia32-libs libc6-dev-i386
2.2 安装 Pathgrind
克隆 Pathgrind 仓库并运行安装脚本:
git clone https://github.com/codelion/pathgrind.git
cd pathgrind
./install.sh
2.3 配置和运行
安装完成后,您需要编辑 fuzz/settings.cfg 文件来配置要测试的程序。以下是一个示例配置:
[test]
prog = testcase/test.exe
input = input.txt
max_bound = 100
配置完成后,您可以通过以下命令启动 Pathgrind 进行模糊测试:
./fuzz/fuzz.py test
3. 应用案例和最佳实践
3.1 应用案例
Pathgrind 可以用于测试各种 32 位 Linux 二进制文件,例如:
- 浏览器插件
- 图像处理库(如 libPNG)
- 网络协议实现
通过符号执行技术,Pathgrind 能够自动生成大量测试用例,帮助发现程序中的潜在漏洞。
3.2 最佳实践
- 合理设置
max_bound:在配置文件中设置合理的max_bound值,以避免路径爆炸问题。 - 监控测试过程:使用
plotfuzz.py脚本监控测试过程,了解每个路径条件的求解时间和路径探索时间。 - 分析崩溃文件:当 Pathgrind 发现崩溃时,使用 Valgrind 的输出信息进一步分析崩溃原因,确定漏洞的可利用性。
4. 典型生态项目
Pathgrind 作为一个动态符号执行引擎,可以与其他开源工具结合使用,形成更强大的测试生态系统:
- Valgrind:用于检测内存错误和未定义行为。
- STP:用于求解符号执行过程中生成的约束条件。
- Bokeh:用于可视化符号执行过程中的路径探索和约束求解时间。
通过这些工具的结合,Pathgrind 能够更高效地发现和分析程序中的潜在问题。
登录后查看全文
热门项目推荐
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- 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
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
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.89 K
React Native鸿蒙化仓库
JavaScript
312
365
Ascend Extension for PyTorch
Python
398
475
🎉 (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
1.39 K
787
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++
902
706
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
361
219
昇腾LLM分布式训练框架
Python
122
148
暂无简介
Dart
814
200
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
93
161
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
124
161