[发明专利]基于粒子群优化的模糊测试变异调度方法和系统

说明书

本发明公开了一种基于粒子群优化的模糊测试变异调度方法和系统，方法包括：以突变算法的选择概率为粒子位置，配置初始参数，随机生成多个粒子群；分别采用每个粒子群的位置分布作为突变算法的选择概率分布进行模糊预测试，记录每一种突变算法对有价值输入文件的发现效率；选择对有价值输入文件发现效率最高的粒子群，将该粒子群的位置分布作为突变算法的最佳选择概率分布，对待测软件进行模糊测试，挖掘待测软件的漏洞；根据每种突变算法的有价值输入文件的发现效率，对每个粒子群的位置分布进行算法迭代优化，生成新的粒子群；重复以上步骤直至模糊测试结束。本发明的方法使得模糊检测工具的漏洞挖掘效率大幅度提升。

技术领域

本发明涉及软件模糊测试技术领域，尤其涉及一种于粒子群优化的模糊测试变异调度方法和系统。

背景技术

随着互联网技术的发展，计算机技术被应用到了各式各样的领域，为人们的生活提供了诸多便利并产生了巨大影响。然而由于开发人员水平参差不齐、开发人员之间沟通不足、架构设计不合理等原因，软件中往往存在着会导致程序崩溃、甚至会受不法分子利用的漏洞。由于软件漏洞总是不可避免地存在，因而漏洞检测受到广泛关注。

传统的漏洞检测方案是由富有经验的安全人员人工检查代码，然而该方案任务繁重，成本高，效率较低，检测漏洞的召回率也较低，大型系统难以用该方案完整测试。另一种漏洞检测方案称为符号执行，它通过将程序执行过程抽象为数学公式，通过求解数学公式，使得生成的输入可以测试软件的特定代码路线。然而符号执行不具备可扩展性，无法处理拥有繁多程序路径的大型程序。新兴的一种漏洞检测方案是由机器学习算法去检查代码，返回可能存在漏洞的代码位置。然而机器学习算法检测软件漏洞的方案存在着诸多限制与不足：该方案误报率较高；只能做到缩小检测范围的作用，最终仍需要安全人员人工检查是否存在漏洞；该方案的机器学习模型效果取决于训练集合是否完备、训练次数是否合理，实际过程中存在机器学习模型在训练集合上表现优良但在使用中表现不尽人意、训练过拟合欠拟合等情况。

有别于以上提到的漏洞检测方案，近年来兴起的模糊测试是一种自动化的软件漏洞检测方法。其中一种受到广泛应用的模糊测试方法是“基于突变算法的灰盒模糊测试”。基于突变算法的灰盒模糊测试工具对人工提供的原始输入种子集合进行位翻转、组合交叉、替换等操作，从而生成大量的随机输入集合。然后，灰盒模糊测试工具使用输入集合作为被测软件的输入文件，并监控软件是否出现如崩溃、死机、挂起等预期外的异常情况。当模糊测试工具发现被测软件的新路径或者软件出现预期外的异常情况，工具会将发现该新路径或者触发该异常情况的输入文件保存在本地，并且认为该输入文件为有价值的输入文件。灰盒模糊测试工具将发现新路径或者触发异常情况的输入文件加入种子集合。灰盒模糊检测工具将保存在种子集合中的输入文件作为父代基因，基于突变算法对其进行修改并生成子代输入文件，使用子代输入文件继续测试被测软件，并不断重复整个过程。当模糊测试停止时，安全人员可以通过分析模糊测试工具发现的输入文件所触发的程序异常情况，寻找被测程序出现问题的代码位置并进行修复。虽然具有一定的随机性与盲目性，灰盒模糊检测工具仍是当前最有效率的漏洞检测方案之一，在各个漏洞检测领域有广泛的应用。

由于模糊检测工具使用多种突变算法对输入文件进行变异，并期望这些输入文件触发被测软件的异常情况，如何使用突变算法进行变异对模糊检测的漏洞挖掘效率至关重要。然而研究表明，绝大多数的模糊检测工具使用了极其简单的模糊测试变异调度方法：模糊检测工具根据均匀分布选择突变算法进行变异，即每一种的突变算法被选择的概率相同。但进一步的研究表明，(1)对相同的被测软件，不同的突变算法有着不同的生成有价值的输入文件的效率；(2)对于不同的被测软件，相同的突变算法有着不同的生成有价值的输入文件的效率；(3)复杂的变异调度方法会影响模糊检测工具的性能。虽然当前有些研究指出可以使用强化学习算法来提高模糊检测工具的变异调度方法，但是并没有明显地提高模糊检测工具的漏洞挖掘效率。所以，学术界与工业界都缺少合适的、可以大幅度提高模糊检测工具效率的变异调度方法与系统。

发明内容