sgabe/SeedClass
GitHub: sgabe/SeedClass
基于机器学习的种子选择策略,通过神经网络分类器优先处理具有漏洞特征的输入样本,显著提升定向模糊测试的崩溃发现效率。
Stars: 0 | Forks: 0
# SeedClass
**SeedClass** 是一种种子选择策略的实验性实现,它利用机器学习来增强覆盖引导的变异模糊测试。它采用神经网络作为二元分类器,基于从过往模糊测试活动中收集的输入样本进行训练,以区分*有效*输入和会在目标程序中触发*崩溃* (crash) 的畸形样本。训练后的模型预测结果能够优先处理那些表现出与已知漏洞样本相似特征的输入,从而有效地引导 fuzzer 指向程序中与安全性相关的部分。
## 训练数据集
本仓库提供了一个带有标签的数据集,旨在现实测试条件下评估所提出的基于机器学习的种子选择策略。本案例研究侧重于在旧版 Windows 上使用 [EMF](https://learn.microsoft.com/en-us/openspecs/windows_protocols/ms-emf/91c257d7-c39d-4a36-9b1f-63e3f73d30ca) 文件对 [Windows GDI](https://learn.microsoft.com/en-us/windows/win32/gdi/windows-gdi) 进行模糊测试,以评估该方法在引导 fuzzer 发现已知漏洞方面的有效性。
标签:Apex, API密钥检测, EMF文件, Fuzzing, PCA, Python, t-SNE, Windows GDI, 二进制分类, 可配置连接, 后端开发, 安全测试, 定向模糊测试, 异常检测, 攻击性安全, 无后门, 机器学习, 深度学习, 漏洞利用研究, 神经网络, 种子选择, 程序分析, 网络安全, 覆盖引导, 输入验证, 逆向工具, 隐私保护