探索Atheris:Python世界的覆盖率引导型模糊测试神器
2024-05-22 01:48:26作者:瞿蔚英Wynne
Atheris是一个强大的,基于libFuzzer的Python模糊测试引擎,它不仅支持Python代码的模糊测试,还能对CPython的原生扩展进行测试。无论你是Python开发者还是安全专家,Atheris都是你寻找潜在漏洞和提升代码质量的理想工具。
安装与使用
Atheris支持Linux(32位和64位)以及Mac OS X,兼容Python版本从3.6到3.10。你可以通过简单的pip命令安装预编译的版本:
pip3 install atheris
如果要针对原生扩展进行测试,建议从源码构建以确保libFuzzer与你的Clang版本匹配。以下是源码安装的步骤:
# 构建最新发布版
pip3 install --no-binary atheris atheris
# 或者构建开发分支
git clone https://github.com/google/atheris.git
cd atheris
pip3 install .
对于Mac用户,由于Apple Clang不自带libFuzzer,你需要安装最新版本的LLVM。详细步骤见源码安装部分。
技术亮点
Atheris基于libFuzzer,这意味着它可以自动发现输入数据导致的新路径,并据此生成新的测试用例。对于Python部分,Atheris通过字节码级别的覆盖收集来判断代码执行情况。
应用场景
- 测试Python应用程序的核心逻辑,找出可能导致程序崩溃或行为异常的输入。
- 验证Python库或模块的安全性,特别关注那些处理外部输入的组件。
- 对于C扩展的Python模块,Atheris可以有效地发现潜在的内存安全问题。
使用示例
只需以下几步,你就可以开始使用Atheris进行模糊测试:
#!/usr/bin/python3
import atheris
with atheris.instrument_imports():
import some_library
import sys
def TestOneInput(data):
some_library.parse(data)
atheris.Setup(sys.argv, TestOneInput)
atheris.Fuzz()
当测试Python代码时,任何未捕获的异常都将被识别为失败。
特色功能
- 多维度覆盖:Atheris提供了多种覆盖率收集方式,包括对导入模块、单个函数甚至所有已加载函数的覆盖率跟踪。
- 扩展支持:能够对原生扩展进行模糊测试,但需要相应的 instrumentation。
- 结构感知模糊测试:支持自定义mutator和crossover函数,可以针对特定语法结构生成输入,提高测试效率。
- 可视化覆盖率报告:兼容coverage.py,方便查看哪些代码行被执行,有助于优化测试策略。
总的来说,Atheris提供了一个高效且灵活的框架,用于深入挖掘Python代码中的潜在问题,无论是纯Python代码还是带有原生扩展的部分。其简单易用的API和丰富的功能使其成为每个Python开发者和安全工程师的必备工具。现在就试试看,让Atheris助力你的代码变得更加健壮和安全!
登录后查看全文
热门项目推荐
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
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
177
195
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++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
270
93
暂无简介
Dart
623
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
378
3.33 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (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
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1