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!
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00