重庆建设厅官方网站百度推广账号登陆入口
unibench是一个用来评估模糊测试工具的benchmark。这个benchmark集成了20多个常用的测试程序，以及许多模糊测试工具。
这篇文章（https://zhuanlan.zhihu.com/p/421124258）对unibench进行了简单的介绍，本文就不再赘诉，而是侧重于介绍unibench具体是如何用来评估模糊测试工具。
关于unibench更详细的介绍，可以去看2021年发表在Usenix Security上的论文：[https://nesa.zju.edu.cn/download/UNIFUZZ A Holistic and Pragmatic Metrics-Driven Platform for Evaluating Fuzzers.pdf](https://nesa.zju.edu.cn/download/UNIFUZZ A Holistic and Pragmatic Metrics-Driven Platform for Evaluating Fuzzers.pdf)
unibench可以在这里找到：https://github.com/unifuzz
下面将介绍以使用unibench来评估AFL这一经典的模糊测试工具为例来介绍过一下unibench的流程。
1. 构建AFL和测试程序的镜像
运行下面命令，构建AFL和unibench的20个程序的镜像。下面命令需要较长的时间才能完成。
git clone https://github.com/unifuzz/unibench_build.git
cd unibench/afl
docker build -t .
除了上面的方法，unifuzz的作者也在dockerhub上传了build好的镜像可以直接使用。具体可以查看该链接：https://hub.docker.com/r/unifuzz/unibench
docker pull unifuzz/unibench:afl
然后运行下面命令验证是否装好
docker run -it --rm unifuzz/unibench:afl strings /d/p/justafl/exiv2 |grep afl|head
若出现下面的提示信息，则说明已装好
__afl_global_area_ptr
__afl_maybe_log
__afl_area_ptr
__afl_setup
__afl_store
__afl_prev_loc
__afl_return
__afl_setup_failure
__afl_setup_first
__afl_setup_abort2. 运行模糊测试实验
2.1 系统配置
运行实验前，先进行基础的系统配置
echo "" | sudo tee /proc/sys/kernel/core_pattern # disable generating of core dump file
echo 0 | sudo tee /proc/sys/kernel/core_uses_pid
echo performance | sudo tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor
echo 0 | sudo tee /proc/sys/kernel/yama/ptrace_scope
echo 1 | sudo tee /proc/sys/kernel/sched_child_runs_first # tfuzz require this
echo 0 | sudo tee /proc/sys/kernel/randomize_va_space # vuzzer require this
如果出现No such file or directory的错误信息也没关系，可以无视。
2.2 运行实验
前面搭建好的镜像中已经使用afl-clang插过桩了，所以只需要使用docker run命令来跑afl-fuzz，就可以运行模糊测试的实验了。
mkdir work # 在宿主机创建一个文件夹保留AFL跑实验的结果
cd work
git clone https://github.com/unifuzz/seeds.git # 获取测试程序所需的种子
docker run -it --cpus=1 -w /work -v `pwd`:/work --privileged unifuzz/unibench:afl \
afl-fuzz -i /work/seeds/general_evaluation/mp3 -o output -m none -t 500+ \
--/d/p/justafl/mp3gain @@
下面介绍下docker run各个选项的意思：
- -it：指定交互式终端，并分配伪终端
- —cpus=1：只分配一个CPU核
- -w /work：指定容器内工作目录为/work
- -v
pwd:/work ：挂载当前目录（宿主机）为容器的/work目录，使容器内部对/work的访问实际上是对宿主机当前目录的访问 - —privileged：赋予容器运行时的特权
然后第二行开始的就是afl-fuzz的选项：
- -i /work/seeds/general_evaluation/mp3：指定种子目录为/work/seeds/general_evaluation/mp3
- -o output：指定输出目录为 output
- -m none：不限制内存
- -t 500+：处理种子样例所需的时间
第三行可以理解为AFL会不断fork进程运行第三行的命令，@@则是模糊测试生成的测试样例的占位符。
unibench也给出了其他程序的命令行参数。
data = [#id, prog, commandline, seed_folder[1, "exiv2", "@@", "jpg"],[2,"tiffsplit","@@","tiff"],[3,"mp3gain","@@","mp3"],[4,"wav2swf","-o /dev/null @@","wav"],[5,"pdftotext","@@ /dev/null","pdf"],[6,"infotocap","-o /dev/null @@","text"],[7,"mp42aac","@@ /dev/null","mp4"],[8,"flvmeta","@@","flv"],[9,"objdump","-S @@","obj"],[14, "tcpdump", "-e -vv -nr @@", "tcpdump100"],[15, "ffmpeg", "-y -i @@ -c:v mpeg4 -c:a copy -f mp4 /dev/null", "ffmpeg100"],[16, "gdk-pixbuf-pixdata", "@@ /dev/null", "pixbuf"],[17, "cflow", "@@", "cflow"],[18, "nm-new", "-A -a -l -S -s --special-syms --synthetic --with-symbol-versions -D @@", "nm"],[19, "sqlite3", " < @@", "sql"],[20, "lame3.99.5", "@@ /dev/null", "lame3.99.5"],[21, "jhead", "@@", "jhead"],[22, "imginfo", "-f @@", "imginfo"],[23, "jq", ". @@", "json"],[24, "mujs", "@@", "mujs"],# below is the LAVA-M settings[10,"uniq","@@","uniq"],[11,"base64","-d @@","base64"],[12,"md5sum","-c @@","md5sum"],[13,"who","@@","who"],
]
运行完上面命令，就会显示AFL的界面。
如果想后台运行实验，docker run的时候加上-d选项即可
docker run -itd --cpus=1 -w /work -v `pwd`:/work --privileged unifuzz/unibench:afl \
afl-fuzz -i /work/seeds/general_evaluation/mp3 -o output -m none -t 500+ \
--/d/p/justafl/mp3gain @@
3. 分析实验结果
unifuzz提供了一些分析实验结果的脚本。尝试了在宿主机下运行，疯狂报错，看起来需要在docker容器内部运行。
https://github.com/unifuzz/metrics