面向强加固 Android 应用的 Intent-aware 灰盒 fuzzer
AHA-Fuzz 是首个针对 Android 加固应用的 Intent 感知灰盒模糊测试框架,基于 eBPF 技术开发。它通过有效 Intent 生成器、选择性覆盖反馈机制和增强检测能力三大创新,解决了加固应用难以分析的问题。实验表明,AHA-Fuzz 比现有方法多触发 92.3% 的 Intent、速度快 3.45 倍、执行方法数多 23.9%,并发现了 47 个新漏洞(其中 6 个已被 Goo
一、背景
Android 在全球移动系统中占约 70% 份额,Google Play 上约有 390 万个应用。 为防逆向与篡改,应用加固(App Hardening) 已成为常态:对 100 个热门正常应用和 100 个热门恶意样本的统计显示, 100% 都至少使用了一种加固技术(混淆、加壳、反调试、反模拟器等) 。 这直接削弱了传统静态分析与重打包式动态插桩的有效性。(下图为作者统计的数据)
在 Android 中,Intent 是组件间通信的消息对象,用于启动 Activity、Service 与发送广播。统计表明,约 76.2% 的恶意活动会通过 Intent 来隐藏或触发攻击行为 ,约 55.2% 的恶意行为依赖定时调度 API 触发 。 因此,想动态触发真实恶意逻辑,仅靠 GUI fuzzing 远远不够, 必须能构造“语义正确”的 Intent(含合适的 action 与 extras 键值对),并能加速触发被延迟调度的行为 。
现有 Intent fuzz 工具(如 MATE、ICCBot、IntentFuzzer 等)多依赖 DEX 静态分析与传统插桩,在遇到混淆、加壳、反调试等加固手段时, 难以正确抽取 Intent 相关信息并稳定计量覆盖 。 AHA-Fuzz 正是在这一现实背景下提出的: 面向强加固 Android 应用的 Intent-aware 灰盒 fuzzer 。
二、核心技术解析
AHA-Fuzz的核心架构如下,下面具体介绍AHA-Fuzz的各个子模块。
1. eBPF 驱动的对象布局恢复与有效 Intent 生成
eBPF(Extended BPF) 是内核中的一个可编程监控框架,可以在函数入口/返回等位置挂载小型程序,读取内核或用户空间状态,并将结果以极低开销回传用户态。
AHA-Fuzz 关键思路之一是: 不改 APK、不改系统镜像,从内核侧“旁观”应用运行时的真实对象布局 。
具体做法:
- 在 ART 与框架层与 Intent 相关的关键函数上(如
Intent/Bundle/IntentFilter/ArrayList的构造与访问点)安装 eBPF 探针; - 利用多次观测推断这些 Java 对象在内存中的字段偏移与类型(即对象布局);
- 基于恢复出的布局,从真实运行中的对象中抽取:
- Intent 的
action; extras字段内的 键值对 key–value ;- IntentFilter 中的 action / category 信息等。
相比“hook 各种 putExtra / get*Extra”,从内存视角恢复对象布局更能抵抗 wrapper、混淆与序列化/反序列化带来的结构变化,适应加固场景。
这部分信息被封装为 “有效 Intent 生成器” :
只使用在当前应用中真实注册与使用过的 action 与 extras 键值,从而生成语义合理的 Intent 作为 fuzz 种子。
2. Key–Value Feedback:用比较语句学习“有效 payload”
要触发恶意逻辑,仅知道“有这个 key”不够,还需要“知道 key 的关键值”。为此,AHA-Fuzz 引入 键值反馈(Key–Value Feedback) :
- 通过 eBPF 监控与字符串/数值比较相关的 API 与指令(如
String.equals、contains、数值==/>等); - 当比较操作的一侧来源于 Intent extras 时,将另一侧参与比较的常量(如
"3gpp"、"LEAK"等)记录为该 key 的候选触发值; - 在后续变异时,将这些候选值注入相应 key,从而显著提高命中特定路径的概率。
这种反馈机制使得 AHA-Fuzz 能够自动学到:
某些恶意行为只在
extras["format"] = "3gpp"或extras["msg"]含有特定模式时才触发,并据此收敛出有意义的 payload,而不是纯随机搜索。
3. eBPF + 选择性覆盖:只衡量 Intent 驱动的行为
在真实 Android 运行环境中, GUI 事件、后台任务与 Intent 事件会并行发生 。若简单记录“所有方法调用”为覆盖,将使 fuzzing 反馈充满与当前 Intent 无关的噪声,削弱调度效果。
AHA-Fuzz 提出 选择性覆盖反馈(Selective Coverage Feedback) :
- 在 fuzzer 发送某个 Intent 前,通过控制通道通知 eBPF 进入“测量窗口”;
- 通过对 ART AOT 代码入口与解释器入口挂 probe,利用
dex_method_index等信息记录被执行的方法,构成方法级覆盖向量; - 当认为该 Intent 处理流程结束(达到 idle 或超时)后关闭窗口,将该段时间的覆盖视为“与该 Intent 相关的覆盖”。
这样, 覆盖反馈主要反映 Intent 驱动的执行路径 ,避免 GUI 与后台事件干扰,使灰盒模糊测试更专注于 Intent 测试质量。
4. 调度加速与信息泄露检测(Capability Enhancer)
(1)调度时间重写
大量恶意行为依赖 AlarmManager、JobScheduler 等 API 做延迟触发(如“3 天后执行”)。
AHA-Fuzz 在 eBPF 层 hook 与任务调度相关的调用,将原本的目标触发时间重写为“当前时间 + 小偏移”,实现:
- 快速触发原本需要长时间等待的行为;
- 无需修改 APK 或系统镜像,降低对硬化机制的干扰风险。
(2)轻量信息泄露检测
针对信息泄露,AHA-Fuzz 采用 轻量级污点思想 :
- 监控访问敏感数据的 API(设备 ID、网络能力等);
- 监控典型泄露出口(日志输出、网络发送等);
- 建立 source → sink 的调用链模式,一旦观测到“敏感数据 → 日志/网络”的流动,即标记为潜在泄露。
从而避免了重型 DBI 或修改系统的成本,适合在加固环境中部署。
三、实现概览
AHA-Fuzz 提供了完整的原型系统与开源实现。 其主要组成包括:
- eBPF Tracer(内核侧)
- 基于 BCC/BPF,在 ART、框架与系统调用层关键位置挂 probe;
- 采集方法执行、对象字段访问、调度 API 调用与敏感 API 调用事件;
- 对象布局恢复与事件解析(用户态)
- 按地址区间与字段偏移聚类,恢复 Intent / Bundle / IntentFilter / ArrayList 等对象布局;
- 将 eBPF 事件解析为高层语义(如“某 IntentFilter 注册了 action X”、“某 Intent extras 中出现了键值对 {k:v}”)。
- Fuzzer 核心
- 种子来源:GUI 探索与运行中观测到的真实 Intent;
- 变异策略:字段变异 + 类型识别 + key–value 反馈驱动的特殊值注入;
- 反馈:选择性方法覆盖 + key–value 反馈 + 崩溃/泄露事件,用于种子调度与搜索策略。
实验环境以 root 权限的 ARM64 Emulator (Android 13) 为主,也可迁移至其它有 eBPF 支持的设备。
四、实验结果
论文在覆盖率、恶意样本触发与真实世界 bug 挖掘三个维度进行了评估。
- Intent 行为与覆盖率提升
- 在带复杂 Intent 的恶意样本上,AHA-Fuzz 触发的 Intent 使用模式数比现有工具平均多 92.3% ,且生成合适 Intent 的速度快 3.45× ;
- 在 40 个热门应用上,AHA-Fuzz 调用的方法数比基线多 23.9% 。
- 真实应用上的 bug 挖掘
- 对 300 个 Google Play 应用进行 fuzz,发现 47 个此前未知的 bug :其中 26 个崩溃 , 21 个信息泄露 ;
- Google、Firefox、Facebook 等厂商确认了其中 2 个崩溃与 4 个信息泄露,并已修复 3 个泄露问题;
- 论文指出,之前的相关工作均未能发现这 47 个漏洞。
这些结果表明,AHA-Fuzz 在 加固应用场景下显著提升了 Intent 覆盖与漏洞触发能力 ,且能够发现实际有安全价值的问题。
五、总结与启示
- 从对象布局与内核视角突破加固限制
- 在强加固场景,静态分析与重打包插桩代价巨大且易被检测;
- 利用 eBPF 结合对象布局恢复,从“内存中的真实对象”抽取语义信息,是一条务实且通用的路径。
- 灰盒反馈应强调“相关性”,而非“数量”
- 对 event-driven 系统,粗粒度覆盖会被 GUI/后台噪声淹没;
- 通过选择性覆盖,将反馈限定在特定事件(如 Intent)驱动的执行上,可显著提升模糊测试效率。
- 轻量级“语义反馈”往往比复杂模型更实用
- Key–value feedback 利用比较语句中出现的常量,自动学习触发 payload,不依赖重型学习模型;
- 对实际系统,这类“小而精”的反馈机制常常更易部署与维护。
- Bug 触发与检测需要额外的“能力增强器”
- 调度时间重写、信息泄露检测等组件,使得 fuzzing 不仅能“到达”可疑代码,还能真正触发并识别安全问题;
- 这种“针对目标场景补齐 oracle 能力”的设计思路,对其他领域的模糊测试(如 RPC、RAG、云服务接口)同样适用。
提出基于eBPF的对象布局恢复与语义反馈机制,实现高效触发隐藏恶意逻辑
由 AI 根据全文自动生成,仅供参考,以原文为准