Fuzzing 101 : les bases

Fuzzing-101

Structure

• Exercice 1 : Xpdf, CVE-2019-13288, 120 minutes, Afl-clang-fast, Afl-fuzz, GDB
• Exercice 2 : libexif, CVE-2009-3895, CVE-2012-2836, 6 heures, Afl-clang-lto, bibliothèque de fuzzing, Eclipse IDE
• Exercice 3 : TCPdump, CVE-2017-13028, 4 heures, ASan, Sanitizers
• Exercice 4 : LibTIFF, CVE-2016-9297, 3 heures, couverture de code, LCOV
• Exercice 5 : Libxml2, CVE-2017-9048, 3 heures, dictionnaire, parallélisation de base, fuzzing des arguments en ligne de commande
• Exercice 6 : GIMP, CVE-2016-4994, bug bonus, 7 heures, fuzzing persistant, fuzzing d'applications interactives
• Exercice 7 : lecteur multimédia VLC, CVE-2019-14776, 6 heures, instrumentation partielle, harness de fuzzing
• Exercice 8 : Adobe Reader, 8 heures, fuzzing d'applications closed source, instrumentation QEMU
• Exercice 9 : 7-Zip, CVE-2016-2334, 8 heures, WinAFL, fuzzing d'applications Windows
• Exercice 10 (défi final) : Google Chrome / V8, CVE-2019-5847, 8 heures, Fuzzilli, fuzzing de moteur JavaScript

Journal des modifications

• 14 février 2022 : correction d'une faute de frappe sur 'wget' dans l'exercice 5
• 25 novembre 2021 : mise à jour et corrections de l'exercice 3

À qui s'adresse ce cours ?

• Aux personnes qui veulent apprendre les bases du fuzzing
• À celles qui veulent trouver des vulnérabilités dans de vrais projets logiciels

Prérequis

• Un système Linux et une connexion Internet sont nécessaires
• Des bases en Linux sont recommandées
• Tous les exercices ont été testés sur Ubuntu 20.04.2 LTS
• Ce cours utilise AFL++, un nouveau fork de l'AFL de Michał "lcamtuf" Zalewski

Qu'est-ce que le fuzzing ?

• Fuzz testing (ou fuzzing) : technique automatisée de test logiciel qui consiste à fournir à un programme des entrées aléatoires/modifiées et à surveiller les exceptions/plantages
• AFL, libFuzzer et HonggFuzz sont des exemples de fuzzers ayant fait leurs preuves sur des applications réelles
• Fuzzer évolutif basé sur la couverture : sélectionne des entrées permettant de découvrir de nouveaux chemins d'exécution en collectant et en comparant les données de couverture de code

Fuzzer évolutif basé sur la couverture

• Évolutif : approche métaheuristique inspirée des algorithmes évolutionnaires, qui cherche de nouveaux crashs via l'évolution et la mutation d'un sous-ensemble initial (seeds)
• Basé sur la couverture : sélectionne des entrées permettant de découvrir de nouveaux chemins d'exécution en collectant et en comparant les données de couverture de code

Remerciements

• Personnes ayant aidé : Xavier RENE-CORAIL, Alan Vivona, Jason White, Octavio Gianatiempo, van Hauser, Marc Poulhiès, Xu Hanyu, tclan126, epi052, Jeremias Gomes

Contact

• Si vous avez besoin d'aide ou des suggestions, rejoignez le canal #fuzzing du GitHub Security Lab Slack

Le récapitulatif de GN⁺

• Ce cours est utile pour apprendre les concepts de base du fuzzing et trouver des vulnérabilités dans des logiciels réels
• Il permet d'acquérir des techniques de fuzzing à l'aide d'outils comme AFL++ à travers divers cas concrets
• Le fuzzing joue un rôle important dans le renforcement de la stabilité et de la sécurité des logiciels, et ce cours propose une approche pratique pour y parvenir
• Des outils aux fonctions similaires incluent libFuzzer et HonggFuzz

[GN⁺]

Avis sur Hacker News

• L’article lié est une lecture d’environ 11 minutes, et la différence avec l’approche de golang est intéressante

  • En golang, on peut lancer le fuzzing aussi simplement qu’on exécute des tests, ce qui permet de cibler facilement certaines parties d’une application ou d’une bibliothèque
  • Cette approche rend de nombreuses techniques existantes inutiles

• Je me demande quelles techniques permettent de mieux guider le fuzzing

  • La meilleure méthode semble être de fournir un seed corpus et d’espérer les meilleurs résultats

• Je suis surpris que Heartbleed ne figure pas dans la liste

  • Heartbleed est très facile à reproduire

• Merci pour le partage

  • Je trouve cela très utile