TripleDoggy:一款强大的源码漏洞检测工具
项目介绍
TripleDoggy 是一款基于 Clang Static Analyzer 的源码漏洞检测工具,专为 C/C++/Objective-C 语言设计。它通过符号执行技术遍历源代码,并结合自定义的插件(Checker)来检测代码中的潜在漏洞。目前,TripleDoggy 提供了三个主要的 Checker,分别用于检测空指针解引用、Double Free/Use-After-Free/内存泄漏以及整型溢出漏洞。
项目技术分析
1. 空指针解引用检测(NewDereferenceChecker)
NewDereferenceChecker 基于 Clang 的 DereferenceChecker 进行改进,通过符号执行和约束求解技术,识别并检测代码中的空指针解引用漏洞。其核心算法包括:
- 识别内存分配函数和
new操作符的返回值。 - 在指针被访问或写入时插入 Hook 函数。
- 检查被访问的地址是否为集合 A 中的子地址,并进行约束求解,若结果为空则报告错误。
2. Double Free/Use-After-Free/内存泄漏检测(DoubleFreeChecker)
DoubleFreeChecker 通过符号执行和集合操作,记录内存的分配和释放状态,从而检测 Double Free、Use-After-Free 和内存泄漏漏洞。其主要步骤包括:
- 定义两个集合:已分配未释放的内存集合 A 和已释放的内存集合 B。
- 在符号执行过程中,记录内存的分配和释放操作。
- 检测重复释放和未释放的内存,报告相应的漏洞。
3. 整型溢出检测(OverflowChecker)
OverflowChecker 采用污点分析技术,检测代码中的整型溢出漏洞。其分析方法包括:
- 在函数开始时标记全局变量和输入参数为污点源。
- 在算术运算时检查操作数是否被污染,并记录溢出条件。
- 在数组索引访问或内存分配函数调用时,检查参数是否包含在记录中,并报告溢出漏洞。
项目及技术应用场景
TripleDoggy 适用于以下场景:
- 软件开发与测试:在开发过程中,使用 TripleDoggy 检测代码中的潜在漏洞,提高代码质量。
- 安全审计:对现有代码进行安全审计,发现并修复潜在的安全漏洞。
- 教育与研究:作为教学工具,帮助学生和研究人员理解符号执行和污点分析技术在漏洞检测中的应用。
项目特点
1. 高精度检测
TripleDoggy 通过符号执行和约束求解技术,能够高精度地检测代码中的空指针解引用、Double Free、Use-After-Free 和整型溢出漏洞。
2. 易于集成
TripleDoggy 基于 Clang Static Analyzer 开发,易于集成到现有的开发和测试流程中。开发者只需按照简单的安装步骤,即可在项目中使用 TripleDoggy 进行漏洞检测。
3. 可扩展性强
TripleDoggy 提供了丰富的 API 接口,开发者可以根据需要开发自定义的 Checker,扩展其检测能力。
4. 开源社区支持
TripleDoggy 是一个开源项目,拥有活跃的社区支持。开发者可以在 GitHub 上提交问题、贡献代码,共同推动项目的发展。
结语
TripleDoggy 作为一款强大的源码漏洞检测工具,能够帮助开发者在早期发现并修复代码中的潜在漏洞,提高软件的安全性和可靠性。无论你是开发者、安全工程师还是研究人员,TripleDoggy 都将成为你不可或缺的工具。快来尝试 TripleDoggy,让你的代码更加安全可靠!
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00