技术背景

传统的AFL、libFuzzer和honggfuzz主要支持用C/C++语言开发的项目。随着Rust、Go等新兴编译型语言的兴起,出现了对这些语言开发项目进行模糊测试的需求。因此,基于传统Fuzz工具的基础,逐步为这些语言构建了专用的Fuzz工具。

Rust生态中的模糊测试工具主要包括cargo-fuzz、afl.rs和honggfuzz。cargo-fuzz是官方推荐的模糊测试工具,基于libFuzzer提供简洁的接口;afl.rs将经典的AFL模糊测试器移植到Rust生态;honggfuzz则提供基于硬件反馈的高效模糊测试能力。这些工具各有特色,适用于不同的测试场景和性能要求。

Step 1:Rust环境配置与基础准备

Step 1.1:Rust工具链安装

安装Rust工具链是进行模糊测试的前提条件:

curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh

安装过程中选择选项1(默认安装),然后设置环境变量:

source $HOME/.cargo/env

Step 1.2:编译器版本要求

由于模糊测试工具需要LLVM sanitizer支持,必须使用nightly版本的Rust编译器:

# 安装nightly版本
rustup install nightly

# 设置为默认编译器
rustup default nightly

nightly版本包含了模糊测试所需的编译时插桩和sanitizer功能,这是稳定版本尚未包含的实验性特性。

Step 2:cargo-fuzz深度解析与实践

Step 2.1:工具特性与架构设计

cargo-fuzz是Rust代码模糊测试的官方推荐工具。需要注意的是,cargo-fuzz本身并不是一个fuzzer,而是一个调用fuzzer的工具。目前,它仅支持通过libfuzzer-sys crate调用LibFuzzer。

这种设计架构的优势在于:

  • 复用成熟的LibFuzzer引擎
  • 提供Rust生态的标准化接口
  • 简化模糊测试的配置和管理

Step 2.2:环境搭建与工具安装

安装cargo-fuzz工具:

cargo install cargo-fuzz

Step 2.3:实战案例:rust-url库模糊测试

选择rust-url作为测试目标,这是一个广泛使用的URL解析库,具有复杂的输入处理逻辑。

环境准备:

git clone https://github.com/servo/rust-url.git
cd rust-url
git checkout bfa167b4e0253642b6766a7aa74a99df60a94048

初始化模糊测试环境:

cargo fuzz init

查看现有的fuzz目标:

cargo fuzz list

执行后显示默认创建的测试目标:

fuzz_target_1

Step 2.4:编写模糊测试目标

编辑fuzz-targets/fuzz_target_1.rs文件:

#![no_main] //禁用默认 main 函数入口
extern crate libfuzzer_sys; //导入 libfuzzer_sys
use libfuzzer_sys::fuzz_target;
extern crate url; //引入 url crate

//模糊测试接口函数
fuzz_target!(|data: &[u8]| {
    // 忽略非 UTF-8 输入
    if let Ok(s) = std::str::from_utf8(data) {
        // 测试目标函数
        let _ = url::Url::parse(s);
    }
});

关键要点分析:

  • fuzz_target!是cargo-fuzz提供的宏,用于定义Fuzz入口
  • libFuzzer会持续调用该函数,并传入生成的数据
  • 类似于C/C++中的LLVMTestOneInput函数

Step 2.5:语料库构建与管理

创建种子语料库:

cd fuzz
mkdir -p corpus/fuzz_target_1
mv seed.txt corpus/fuzz_target_1   

高质量的种子语料可以显著提高模糊测试的效率和覆盖率。

Step 2.6:执行模糊测试

启动模糊测试:

cargo fuzz run fuzz_target_1

cargo fuzz会自动编译带插桩的目标程序,并开始模糊测试。在测试过程中,程序检测到了一个整数溢出漏洞,输出如下调用栈信息:

thread '<unnamed>' panicked at ... attempt to subtract with overflow
#18 ... rust-url/src/parser.rs:287:46

说明某个地方发生了x - y的运算,其中x < y,在 release 模式下没有检查,但是我们通过 ASan 捕捉到了

Step 2.7:Crash分析与复现

当检测到crash时,样本会自动保存到artifacts目录:

cargo fuzz run fuzz_target_1 artifacts/fuzz_target_1/crash-7336c41a88a07fc4343d1cea44ddc092589caff9

这种整数下溢问题在release模式下可能不被检查,但通过sanitizer可以有效捕获

Step 2.8:高级参数配置

cargo-fuzz支持通过--传递libFuzzer参数:

cargo fuzz run fuzz_target_1 -- -max_len=512 -only_ascii=1

常用参数说明:

  • -ignore_crashes=1:即使遇到崩溃也继续 Fuzz
  • -s,--sanitizer:选择 Sanitizer
  • -max_len=<len>:限制输入最大长度
  • -runs=<number>:限制运行次数
  • -max_total_time=<sec>:限制总运行时间(秒)
  • -timeout=<sec>:单次运行超时时间(秒)
  • -only_ascii=1:仅生成 ASCII 输入
  • -dict=<file>:使用字典文件
  • -c, --careful:开启额外的安全检查
  • --no-cfg-fuzzing:禁用默认的cfg(fuzzing)编译配置

其他实用功能:

  • cargo fuzz add target:创建新的模糊测试目标
  • cargo fuzz fmt target input:打印测试用例的输入
  • cargo fuz tmin target input:缩小crash
  • cargo fuzz cmin target:缩小输入语料库
  • cargo fuzz coverage:生成覆盖率信息
  • 可以设置环境变量RUST_BACKTRACE=1来决定是否打印调用栈

案例:Rust regex ReDoS漏洞(CVE-2022-24713)

安全研究员Addison Crump发现了Rust regex库中的一个ReDoS(正则表达式拒绝服务)漏洞。根据官方GitHub Security Advisory (GHSA-m5pq-gvj9-9vr8)和CVE-2022-24713,该漏洞允许攻击者通过特制的正则表达式对使用regex crate解析不可信正则表达式的服务发起拒绝服务攻击。

漏洞详情(来源:https://github.com/advisories/GHSA-m5pq-gvj9-9vr8):

regex crate虽然内置了防止DoS攻击的缓解措施,但存在一个bug使得攻击者可以构造绕过这些缓解措施的正则表达式。这些恶意正则表达式在解析时会消耗过量的时间和资源,导致服务拒绝服务。

官方确认信息:

  • CVE编号:CVE-2022-24713
  • GHSA编号:GHSA-m5pq-gvj9-9vr8
  • 发现者:Addison Crump
  • 影响版本:regex <= 1.5.4
  • 修复版本:1.5.5
  • 严重程度:High (解析不可信正则表达式时)

cargo-fuzz的关键优势:

  • 结构化输入生成:通过Arbitrary trait生成语法正确的测试输入
  • 覆盖率引导:libFuzzer的反馈机制快速定位到问题代码路径
  • 快速发现:Crump仅用20秒就发现了执行时间异常

这个案例说明了cargo-fuzz在发现深层逻辑漏洞方面的有效性,特别是那些需要特定输入结构才能触发的问题。

Step 3:afl.rs模糊测试框架实践

Step 3.1:框架特性与技术架构

afl.rs是基于AFL(American Fuzzy Lop)的Rust语言模糊测试框架,它允许在Rust项目中复用AFL强大的变异引擎和崩溃检测能力。相比cargo-fuzz,afl.rs提供了更多的控制选项和优化策略。

Step 3.2:环境搭建与依赖安装

安装cargo-afl工具:

afl.rs 也要求 Rust 编译器为 nightly 版本

#切换至 nightly
rustup install nightly
rustup default nightly
cargo install cargo-afl

如果安装过程中出现问题,可以添加--debug参数进行调试:

cargo install cargo-afl --debug

Step 3.3:项目配置与代码编写

创建测试项目:

cargo new --bin url-fuzz
cd url-fuzz

配置Cargo.toml依赖:

我们需要在该项目中添加两个依赖项:

  • url:我们要测试的库
  • afl:提供了一些辅助函数,帮助编写模糊测试目标

将这些添加到Cargo.toml文件中

[dependencies]
afl = "*"
url = { git = "https://github.com/servo/rust-url.git", rev = "bfa167b4e0253642b6766a7aa74a99df60a94048" }

编写模糊测试源文件src/main.rs:

#[macro_use]
extern crate afl;
extern crate url;

fn main() {
    fuzz!(|data: &[u8]| {
        if let Ok(s) = std::str::from_utf8(data) {
            let _ = url::Url::parse(&s);
        }
    });
}

fuzz!宏的工作机制:

  • 从AFL运行时提供的标准输入中读取数据
  • 内部使用catch_unwind捕获panic,确保不会导致fuzzer进程退出

Step 3.4:构建与编译配置

执行构建命令:

cargo afl build

如果遇到运行时构建错误:

#如果报错FL LLVM runtime was not built for Rust rustc-1.89.0-nightly-99e7c15; run `cargo afl config --build` to build it.
cargo afl config --build

这个命令会为当前的rustc版本构建AFL LLVM运行时。

Step 3.5:语料库准备与测试执行

创建输入语料:

mkdir in
echo "tcp://example.com/" > in/url1
echo "ssh://192.168.1.1" > in/url2
echo "http://www.example.com:80/foo?hi=bar" > in/url3

启动模糊测试:

cargo afl fuzz -i in -o out target/debug/url-fuzz

AFL会显示详细的运行统计信息,包括执行速度、覆盖率和发现的crash数量

Step 3.6:Crash分析与调试

复现crash:

在运行模糊测试程序中收集到一些 crash 后,可以通过以下命令将其重现

RUST_BACKTRACE=full cargo run < out/default/crashes/id:000000
#`RUST_BACKTRACE=full`用于打印函数调用栈,可以通过调用栈定位到漏洞存在的位置

或使用afl run命令:

RUST_BACKTRACE=full cargo afl run url-fuzz -- < out/default/crashes/id:000000

案例:zlib-rs栈溢出漏洞(RUSTSEC-2024-0401)

2024年11月,安全研究员@inahga使用模糊测试发现了zlib-rs库中的栈溢出漏洞,该案例完美展示了模糊测试在发现编译器层面问题方面的威力。根据GitHub Security Advisory (GHSA-j3px-q95c-9683),这个漏洞是通过fuzzer发现的:"After stack overflows were found by @inahga with a fuzzer"。

技术根因:
问题源于LLVM对zlib-rs代码库的处理方式——尾调用优化未能保证,导致某些输入模式需要大量栈帧,最终引发栈溢出。虽然这类输入模式在实践中不太可能出现,但专门的攻击者可以构造恶意输入文件来触发。

AFL类工具的发现优势:
这类漏洞特别适合AFL的发现模式:

  • 字节级盲目变异:不需要理解zstd格式规范,通过系统性的字节修改探索边界
  • 分支覆盖反馈:引导变异器探索不同的解压代码路径
  • 高效执行:能够快速测试大量压缩数据变体
  • 深层路径探索:发现需要特定字节组合才能触发的编译器优化问题

漏洞详情(GHSA-j3px-q95c-9683):

漏洞类型:栈溢出导致拒绝服务
影响版本:zlib-rs <= 0.3.1
根本原因:LLVM尾调用优化缺失
修复版本:0.4.0
CVSS评分:5.3 (中等)

汇编层面的问题:

.LBB109_326: 
    mov rdi, rbx 
    call zlib_rs::inflate::State::type_do 
    jmp .LBB109_311 
.LBB109_311: 
    lea rsp, [rbp - 40] 
    # 清理代码阻止了尾调用优化

这个案例说明模糊测试不仅能发现算法逻辑问题,还能揭示编译器优化层面的安全隐患,体现了模糊测试在现代软件安全测试中的深度价值。

Step 3.7:AFL高级功能应用

语料库优化:

# 最小化语料库
cargo afl cmin -i in -o out -- target/debug/url-fuzz

# 最小化单个crash文件
cargo afl tmin -i ./out/default/crashes/id:000000 -o crash -- target/debug/url-fuzz

字典驱动测试:

cargo afl fuzz -i in -o out -x dict.txt target/debug/url-fuzz

并行化模糊测试:

# 启动master fuzzer(主节点)
cargo afl fuzz -i in -o out -M fuzzer01 target/debug/url-fuzz

# 启动多个slave fuzzer(辅助节点)
cargo afl fuzz -i in -o out -S fuzzer02 target/debug/url-fuzz
cargo afl fuzz -i in -o out -S fuzzer03 target/debug/url-fuzz

开启AddressSanitizer:

RUSTFLAGS="-Z sanitizer=address" cargo afl build
ASAN_OPTIONS=detect_leaks=0 cargo afl fuzz -i in -o out target/debug/url-fuzz

持久模式优化:

let mut input = vec![];
loop {
    afl::read_stdio_into(&mut input);
    // 测试逻辑...
    input.clear();
}

延迟插桩配置:

fn main() {
    #[cfg(feature = "afl")]
    afl::afl_manual_init(); // 手动触发AFL初始化

    afl::fuzz!(|data: &[u8]| {
        fuzz_target(data);
    });
}

Step 4:honggfuzz模糊测试工具应用

Step 4.1:工具特性与技术优势

honggfuzz是一个多平台的模糊测试工具,支持基于硬件反馈的覆盖率收集。它的主要优势包括:

  • 支持硬件分支跟踪(Intel PT)
  • 提供无插桩的模糊测试能力
  • 内置多种sanitizer支持
  • 高效的并行化执行

Step 4.2:环境搭建与依赖安装

安装honggfuzz:

cargo install honggfuzz

安装系统依赖(Linux):

sudo apt install libunwind-dev  # 用于回溯解析

Step 4.3:项目配置与实现

创建测试项目:

cargo new --bin url-fuzz
cd url-fuzz

配置Cargo.toml:

[dependencies]
honggfuzz = "0.5"
url = { git = "https://github.com/servo/rust-url.git", rev = "bfa167b4e0253642b6766a7aa74a99df60a94048" }

编写测试代码src/main.rs:

use honggfuzz::fuzz;
use url::Url;

fn main() {
    loop {
        fuzz!(|data: &[u8]| {
            if let Ok(s) = std::str::from_utf8(data) {
                let _ = Url::parse(s);
            }
        });
    }
}

honggfuzz::fuzz!宏负责从共享内存读取输入数据,并执行提供的闭包

Step 4.4:执行模糊测试

启动测试:

cargo hfuzz run url-fuzz

honggfuzz会自动编译插桩版本,启动并管理输入语料和输出结果

Step 4.5:Crash分析与复现

复现发现的crash:

RUST_BACKTRACE=1 cargo hfuzz run hfuzz_workspace/url-fuzz/SIGABRT.PC....fuzz

Step 4.6:高级功能配置

硬件反馈模糊测试:

HFUZZ_RUN_ARGS="--linux_perf_ipt_block --linux_perf_instr --linux_perf_branch" cargo hfuzz run url-fuzz

这种方式利用Intel PT硬件分支跟踪进行覆盖率感知模糊测试,无需软件插桩,但需要支持Intel PT的新CPU和Linux系统。

并行执行配置:

HFUZZ_RUN_ARGS="-n 12" cargo hfuzz run url-fuzz

启用AddressSanitizer:

RUSTFLAGS="-Z sanitizer=address" cargo hfuzz run url-fuzz

字典驱动测试:

HFUZZ_RUN_ARGS="-D ./url.dict" cargo hfuzz run url-fuzz

案例:Cap'n Proto越界读取漏洞(CVE-2022-46149)

Cap'n Proto的Rust实现维护者David Renshaw在运行自己的fuzzer时发现了一个严重的越界读取漏洞。根据GitHub Security Advisory (GHSA-qqff-4vw4-f6hx):"David discovered this bug while running his own fuzzer"。这个案例展示了模糊测试在发现复杂序列化协议漏洞方面的威力。

虽然具体使用的fuzzer工具未明确披露,但该漏洞的特征非常适合honggfuzz等高性能模糊测试工具的发现模式。当程序处理恶意构造的capnproto消息时,会在解析嵌套结构的过程中访问到缓冲区边界之外的内存区域。capnproto使用了复杂的指针算术来高效地解析二进制协议格式,但在某些边界条件下,计算出的偏移量会超出分配的内存范围。这类深层次的问题需要模糊测试器快速探索大量的输入变体,而honggfuzz基于硬件反馈的高执行速度和Intel PT分支追踪能力,特别适合发现这类需要特定输入组合才能触发的协议解析漏洞。

漏洞详情(来源:https://github.com/capnproto/capnproto/blob/master/security-advisories/2022-11-30-0-pointer-list-bounds.md):

问题的核心在于处理list-of-pointer类型时的逻辑错误。当一个list-of-structs被降级为list-of-pointers时,边界检查处理不一致导致特制的指针可以逃脱边界检查。

触发条件:

  1. 应用程序必须接受包含list-of-pointer类型字段的schema(如List(Text)、List(Data)、List(List(T)))
  2. 攻击者可以恶意编码表示该字段的指针
  3. 应用程序调用getFoo()获取List<T>::Reader,然后执行以下操作之一:
  • 将其传递给另一个消息的setFoo(),复制字段到新消息
  • 将其转换为AnyList::Reader并尝试通过该接口访问

成功利用可能导致:

  • 远程使对等方段错误
  • 可能泄露最多512 KiB的消息缓冲区后面的内存
  • 攻击者必须准确指定要泄露的数据量,需要猜测有效指针的确切位置

Step 5:代码覆盖率测量与分析

Step 5.1:覆盖率工具链配置

安装必要工具:

# 安装LLVM工具集
rustup component add --toolchain nightly llvm-tools-preview
cargo install cargo-binutils
cargo install rustfilt

Step 5.2:覆盖率数据收集

手动插桩编译:

RUSTFLAGS="-C instrument-coverage" cargo build --release

测量覆盖率:

cargo fuzz coverage fuzz_target_1

cargo fuzz会自动测试corpus/fuzz_target_1目录下的所有语料,生成覆盖率数据文件coverage.profdata

Step 5.3:可视化覆盖率信息

生成HTML格式报告:

cargo cov -- show fuzz/target/x86_64-unknown-linux-gnu/release/fuzz_target_1 \
  --format=html \
  --Xdemangler=rustfilt \
  --instr-profile=fuzz/coverage/fuzz_target_1/coverage.profdata \
  > coverage.html

终端查看覆盖率:

cargo cov -- show --use-color \
  --instr-profile=fuzz/coverage/fuzz_target_1/coverage.profdata \
  fuzz/target/x86_64-unknown-linux-gnu/release/fuzz_target_1 \
  --show-regions --show-instantiations

终端输出会以颜色标识不同的覆盖率状态:

  • 红色:未覆盖的代码行
  • 绿色:已覆盖的代码行
  • 数字:执行次数统计

真实案例分析库:Rust Fuzz Trophy Case

想要深入了解不同类型的模糊测试问题,可以参考Rust社区维护的"Trophy Case"(https://github.com/rust-fuzz/trophy-case),这是一个按问题类型分类的真实案例收集库。这个资源库将发现的漏洞按照arith(算术错误)、utf-8(编码问题)、oom(内存耗尽)、oor(越界访问)、logic(逻辑错误)、panic(程序崩溃)等类别进行归档,每个条目都包含了具体的issue链接和修复提交。通过分析这些案例,可以发现一个有趣的模式:大多数问题都集中在输入解析、数据转换、边界检查等"边界处理"逻辑上。这反映了一个重要的测试策略:在为自己的项目设计模糊测试时,应该重点关注那些处理外部输入、进行格式转换、或者涉及复杂计算的代码模块。同时,观察同类项目已发现的问题类型,可以帮助你为自己的fuzzer配置更有针对性的种子语料和字典文件,大大提高发现相似问题的效率。

覆盖率分析的价值在于帮助开发者了解模糊测试的有效性,识别未被充分测试的代码路径。通过定期分析覆盖率报告,可以优化种子语料库和字典配置,提高模糊测试的效率。同时,覆盖率数据也是评估不同模糊测试工具效果的重要指标。

Step 6:工具选择与最佳实践

Step 6.1:工具特性对比分析

特性

cargo-fuzz

afl.rs

honggfuzz

底层引擎

libFuzzer

AFL/AFL++

honggfuzz

安装复杂度

简单

中等

简单

硬件支持

否

否

是(Intel PT)

并行能力

有限

强大

强大

字典支持

是

是

是

Sanitizer集成

优秀

良好

优秀

覆盖率分析

内置

需配置

内置

Step 6.2:选择建议与使用场景

cargo-fuzz适用场景:

  • 快速原型和概念验证
  • 与CI/CD系统集成
  • 需要详细覆盖率分析
  • Rust新手用户

afl.rs适用场景:

  • 需要大规模并行测试
  • 要求精细的参数控制
  • 已有AFL使用经验
  • 长期持续测试

honggfuzz适用场景:

  • 硬件资源充足的环境
  • 需要无插桩测试
  • 对性能要求极高
  • 系统级测试场景

Step 6.3:实践经验总结

种子语料质量是关键:

  • 提供多样化的有效输入
  • 覆盖主要的代码路径
  • 包含边界条件测试用例

合理配置sanitizer:

  • AddressSanitizer检测内存错误
  • 根据测试目标选择适当的检测级别
  • 平衡检测能力与性能开销

持续监控与优化:

  • 定期分析覆盖率数据
  • 根据结果调整测试策略
  • 及时处理发现的安全问题

结论与展望

本文供师傅们学习介绍了Rust语言模糊测试的三种主流工具及其应用方法。cargo-fuzz提供了简洁易用的接口,适合快速集成和日常开发;afl.rs继承了AFL的强大功能,适合大规模专业测试;honggfuzz则提供了基于硬件的高效测试能力。

通过分析三个真实的漏洞发现案例——Addison Crump用cargo-fuzz发现的Rust regex ReDoS漏洞(2023年)、@inahga用fuzzer发现的zlib-rs栈溢出问题(RUSTSEC-2024-0401),以及David Renshaw发现的Cap'n Proto越界读取漏洞(CVE-2022-46149)——也表述了这些工具在发现真实安全漏洞方面的有效性。每个工具都展现了其独特优势:cargo-fuzz的结构化模糊测试、AFL类工具的深层路径探索、以及honggfuzz的高性能协议解析测试能力。选择合适的工具组合可以显著提高Rust项目的安全性和可靠性。

随着Rust生态的不断发展,模糊测试工具链也在持续演进。未来的发展方向可能包括更智能的变异策略、更高效的覆盖率收集、以及与开发工具链的深度集成。掌握这些工具的使用方法,对于构建安全可靠的Rust应用具有重要意义。