angr项目中符号化内存访问的边界值分析问题解析
在符号执行工具angr的使用过程中,开发者可能会遇到一个关于符号化内存访问边界值分析的典型问题。本文将通过一个实际案例,深入分析该问题的成因及解决方案。
问题现象
当使用angr对程序进行符号执行分析时,特别是在处理内存写入操作时,开发者期望获取符号化输入变量的可能取值范围(0x00到0xff)。然而实际测试发现,通过solver.min()
和solver.max()
方法获取的值始终为0x7f,与预期不符。
案例背景
考虑以下简单的C程序:
#include <stdio.h>
#include <stdlib.h>
#include <unistd.h>
char buf[32];
int main(){
puts("Hello, World!");
read(0, buf, 1);
buf[buf[0]] = 42;
return 0;
}
该程序读取一个字节作为数组索引,然后进行内存写入操作。在符号执行分析中,我们希望确定哪些输入值会导致内存写入操作。
分析过程
初始分析脚本
使用以下Python脚本进行分析:
import angr
import claripy
proj = angr.Project("test_program", auto_load_libs = False)
sym_val = claripy.BVS("SymbolicInput", 8)
stream = angr.SimFileStream(name="stdin", content=sym_val, has_end=True)
def write_bp(state):
if isinstance(state.inspect.mem_write_address, claripy.ast.bv.BV) and state.inspect.mem_write_address.symbolic:
print("Symbolic addr!")
print(state.inspect.mem_write_address)
print("Min: " + hex(state.solver.min(sym_val)))
print("Max: " + hex(state.solver.max(sym_val)))
entry_state = proj.factory.entry_state(stdin=stream)
entry_state.inspect.b('mem_write', when=angr.BP_AFTER, action=write_bp)
simgr = proj.factory.simgr(entry_state)
simgr.run()
问题定位
-
符号值的解释方式:默认情况下,
min()
和max()
方法将符号值解释为有符号整数(2的补码形式),因此0x7f实际上是127,这是8位有符号整数的最大值。 -
参数传递问题:虽然可以通过
signed=False
参数指定无符号解释,但在某些后端实现中(如backend_any.py),这个参数可能没有被正确传递。 -
断点时机影响:使用
BP_AFTER
断点时,angr可能已经对指针进行了具体化处理,导致符号约束信息丢失。改为BP_BEFORE
断点可以避免这个问题。
解决方案
- 明确指定符号解释方式:
print("Min: " + hex(state.solver.min(sym_val, signed=False)))
print("Max: " + hex(state.solver.max(sym_val, signed=False)))
- 调整断点时机:
entry_state.inspect.b('mem_write', when=angr.BP_BEFORE, action=write_bp)
- 理解angr的指针处理机制:当指针约束过于宽松时,angr会在读写操作时自动具体化指针以保证分析的可行性。可以通过调整具体化策略来改变这一行为。
深入理解
这个问题揭示了符号执行工具在处理内存访问时的几个重要方面:
-
符号值的解释方式:符号值可以有不同的解释方式(有符号/无符号),这会影响约束求解的结果。
-
断点时机的选择:在内存操作前后设置断点会看到不同的程序状态,特别是在指针具体化之后,符号信息可能会丢失。
-
后端实现细节:约束求解器的不同后端实现可能对参数的处理方式不同,这可能导致某些功能表现不一致。
最佳实践建议
-
在分析内存访问时,优先使用
BP_BEFORE
断点以获取完整的符号信息。 -
明确指定符号值的解释方式,避免依赖默认行为。
-
对于关键的内存操作,考虑调整具体化策略以获得更精确的分析结果。
-
在遇到边界值问题时,检查约束求解器的后端实现,确认参数是否正确传递。
通过理解这些原理和实践,开发者可以更有效地利用angr进行程序分析,避免类似问题的发生。
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0369Hunyuan3D-Part
腾讯混元3D-Part00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++095AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









