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!
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-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00