作者们实现了 ChatAFL，让 LLM 生成机器可读的协议格式，按照协议格式进行变异和 fuzzing，在覆盖率到达某个程度不变时，让 LLM 生成可以触发新状态/覆盖率的输入。

来看看别人是怎么借助 LLM 优化协议 fuzz 的，这一篇应该是 NDSS 2024 的论文，作者们来自新加坡国立大学和莫纳什大学的 MPI-SP。（我也想蹭热点呜呜呜）

看看概要。

• RFC 文档用人类语言定义了协议（很难讲人类语言转换为机器语言）
• LLM 学习了数百万计的文档，可以转换成机器可读的协议信息
• 作者们实现了 ChatAFL
  • 为协议中的每种消息类型构建语法
  • 与 LLM 交互变异消息或预测下一条消息
  • 对 ProfuzzBench 进行实验
    • 相比 AFLNet 和 NSFuzz
      • 能覆盖的状态转换分别增加了 47.6% 和 42.69%
      • 状态覆盖增加了 29.55% 和 25.75%
      • 代码覆盖增加了 5.81% 和 6.74% 以及新的漏洞。
    • 太酷了，究竟是哪方面带来了提升呢？

看看第一章

• LLM 引导的协议模糊测试，包含三个部分：
  • 使用 LLM 为协议提取机器可读的语法，用于结构感知的突变；
    • （猜想）有点类似于协议状态机的提取
  • 使用 LLM 增加初始种子中消息的多样性；
  • 使用 LLM 突破稳定期，让 LLM 生成可以到达新状态的信息。
• 看上去，似乎也很适合黑盒协议 fuzz？
• 开源代码：https://github.com/ChatAFLndss/ChatAFL

接下来看看第二章，作者提出的挑战：

1. 依赖初始种子

• 这个确实

2. 未知的消息结构

• 按照介绍的意思是说，如果没有机器可读的结构信息，fuzzer 就不能根据结构进行有趣的更改。

3. 未知的状态空间

• 同上，没有可读的状态空间信息就无法探索状态空间。

看看作者们的动机，怎样通过 LLM 解决上述的三个问题：

1. 要求 LLM 在给定的种子信息中添加随机信息

• 那是怎么问的呢，猜想一下，“这是一个 RTSP 协议的指令序列，请根据 RTSP 协议的结构帮我随机修改其中的结构”，这样子吗？

2. 要求 LLM 为协议提供机器可读的结构信息
3. 让 LLM 根据 fuzzer 和被测实体之间的信息交换，返回一条能够进入新状态空间的信息

（第三章就是在证明上面三个问题都能被 LLM 解决）

然后看看作者们的 Prompt：

提取语法：

增强种子：

提升覆盖率/状态空间：

• 这么一看似乎只要学习协议就可以了，覆盖率的提升/状态的提升有没有反哺给模型呢？
  • 看上去没有，那么这可能是未来的点吗？
• 除此之外，有没有可能 antifuzz 呢？
  • 似乎不大行，这是一个 prompt 就能解决的事
    • 除非能穿透 openai，直接攻击到他们的核心服务

状态和覆盖率对 fuzz 的反哺

根据第第 4 章，状态/覆盖率用于检测是否到达某个极限的值（被作者们称为覆盖高原 coverage plateau），到达这个状态之后会让 LLM 返回一条能进入新状态的信息（也就是上文中的第三条）

• 理论上覆盖率、状态变量、状态值都可以用于触发，这样可以在黑盒上做类似的工作？（只需要状态）

与其他 LLM Fuzz 的区别

• Codamosa：第一个将 LLM 引入 fuzz，自动生成 Python 模块的测试用例；
• TitanFuzz/FuzzGPT：为深度学习库生成测试用例；
• ChatFuzz：让 LLM 修改人类编写的测试用例。