探索未知,尽在Ghidralligator

Ghidralligator 是一个基于C++的多架构Pcode模拟器,利用了Ghidra的libsla库,专为使用AFL++进行模糊测试而设计。它能高效处理运行于各类罕见架构上的二进制文件的模糊测试,使您无需担心性能问题。
项目简介
Ghidralligator旨在填补现有模拟器与“黑盒”模拟器之间的空白。前者需要大量的设置和手动修改,而后者则不易扩展并不适合特定或非主流应用。它的主要目标是针对闭源二进制代码,特别是用于嵌入式设备应用程序或固件的安全研究,这些通常运行在各种不常见的架构上。
作为afl_ghidra_emu的升级版,Ghidralligator在执行速度和功能方面有了显著提升,如集成asan以检测内存溢出等问题。
项目技术分析
Ghidralligator的核心在于其可扩展性。用户只需编写相应的Sleigh规范文件,就能轻松模拟几乎任何架构。它支持两种模式:replay(仅启动一次程序)和fuzz(通过AFL进行模糊测试)。此外,还提供了配置文件来定义内存映射布局和初始程序状态,并允许用户自定义钩子(hooks),以适应特定需求。
应用场景
- 漏洞研究:对于无法获取源码的二进制文件,Ghidralligator可以帮助发现潜在的漏洞。
- 嵌入式设备安全:可以对运行在如RISC-V、MIPS等非主流架构上的固件进行安全性评估。
- 软件兼容性测试:验证二进制文件在不同硬件平台下的行为一致性。
项目特点
- 多架构支持:通过Sleigh规范文件,轻松覆盖多种处理器架构。
- 高性能:即使在模拟罕见架构时,仍能保持良好的运行效率。
- asan集成:内置地址空间布局随机化(ASAN),可自动检测内存错误。
- 易扩展:灵活的配置文件和钩子系统,使得定制化测试变得简单。
- 与AFL++无缝集成:直接支持AFL++的模糊测试框架,简化工作流程。
开始你的旅程
要开始使用Ghidralligator,首先确保你的Linux系统安装了GCC 17或更高版本。然后按照项目中的说明克隆并安装AFL++,接着编译Ghidralligator及其内含的依赖项。你可以从官方Ghidra仓库下载已有的.sla文件,或者自己创建。
运行示例脚本run_examples.sh可以快速体验其功能,并查看ASAN如何捕获异常行为。为了模糊测试,只需将-m fuzz选项添加到命令行中,配合AFL++即可。
# 演示模式运行
$ ./ghidralligator -m replay -c examples/x86/config.json -I -i examples/x86/input/normal_use_case.bin
# 使用AFL++进行模糊测试
$ AFL_SKIP_BIN_CHECK=1 afl-fuzz -D -i ./afl_inputs -o ./afl_outputs/ -- ./ghidralligator -m fuzz -c examples/x86/config.json
了解更多详细信息,请查阅项目文档,包括配置文件和用户钩子的写作指南。
最后的话
Ghidralligator是一个强大的工具,适用于那些渴望深入探究二进制代码秘密的技术爱好者和安全研究员。由于它是开源项目,我们欢迎所有有兴趣的开发者贡献自己的力量,共同推动其发展。现在就加入我们,一起探索未知的软件世界吧!
项目许可证:Apache许可协议2.0版。
依赖项目许可证:
- Ghidra 由NationalSecurityAgency发布,遵循Apache 许可协议2.0。
- JSON库 由nlohmann,遵循MIT许可。
- xxHash库 由Cyan4973,遵循BSD 2-Clause许可。
作者
- Flavian Dola - Airbus Cybersecurity (Twitter)
- Guillaume Orlando - Airbus Cybersecurity (Twitter)
不要犹豫,马上尝试Ghidralligator吧!
kernelopenEuler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。C0134
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。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
AgentCPM-ReportAgentCPM-Report是由THUNLP、中国人民大学RUCBM和ModelBest联合开发的开源大语言模型智能体。它基于MiniCPM4.1 80亿参数基座模型构建,接收用户指令作为输入,可自主生成长篇报告。Python00