新闻详情

新闻详情

首页 / 资讯中心 / 详情

模糊测试在研发流水线(CI/CD)中的常态化集成方案

发布时间:2026/11/18 5:12:41来源:尧图网络
模糊测试在研发流水线(CI/CD)中的常态化集成方案
在传统的二进制安全研发流程中模糊测试Fuzzing通常以“离线渗透”或“专项测试”的形式存在安全研究员拉取特定分支在独立集群上跑数天甚至数周。这种割裂的模式导致漏洞反馈严重滞后往往在代码即将发布甚至已经上线时才暴露深层内存问题。要真正实现安全左移必须将 Fuzzing 原生嵌入到软件交付的 CI/CD 流水线中构建自动化、常态化、低阻断的持续模糊测试体系。CI/CD 集成 Fuzzing 的核心矛盾与分层架构设计将 Fuzzing 引入持续集成流水线面临三个核心技术矛盾时间约束PRPull Request合并门禁要求在 5~15 分钟内给出结论而传统 Fuzzing 需要漫长的时间来探索深层状态。算力成本全量编译插桩和多核并行运行对 CI Runner 算力资源消耗巨大。语料库沉淀如果每次构建都从零语料开始Fuzzer 将反复探索浅层路径失去对复杂状态的覆盖能力。为此我们设计了分层 Fuzzing 架构Tiered Fuzzing Model[PR / Merge Request 提交] │ ▼ ┌──────────────────────────────────────┐ │ Tier 1: Fast Regression Fuzz (门禁) │ │ - 运行时间: 3~5 分钟 │ │ - 目标: 基于历史语料回放 短时差异变异 │ │ - 阻断规则: 发现 Crash 立即打断 PR │ └──────────────────────────────────────┘ │ (PR 合并入 Master) │ ▼ ┌──────────────────────────────────────┐ │ Tier 2: Nightly Continuous Fuzzing │ │ - 运行时间: 8~12 小时 (夜间闲时调度) │ │ - 目标: 深度变异、覆盖率拓展、ASan/MSan │ │ - 产物: 语料库自动最小化并同步至存储 │ └──────────────────────────────────────┘基于 libFuzzer 与 Gitlab CI 的流水线集成实战在研发流水线中我们推荐使用与 LLVM 工具链深度结合的libFuzzer。下面是核心协议解析模块的gitlab-ci.yml完整配置实现了语料库的 S3/MinIO 自动同步与回归测试# .gitlab-ci.yml stages: - build - test - fuzz_regression variables: CORPUS_STORAGE_URL: http://minio.internal/fuzz-corpus FUZZ_TARGET: packet_parser_fuzzer build_fuzz_target: stage: build image: clang-sanitizer-builder:v18 script: - clang -O2 -g -fsanitizefuzzer,address -I./include src/*.cpp tests/fuzz/packet_fuzzer.cpp -o ${FUZZ_TARGET} artifacts: paths: - ${FUZZ_TARGET} expire_in: 2 hours fast_fuzz_check: stage: fuzz_regression image: ubuntu:22.04 dependencies: - build_fuzz_target before_script: - apt-get update apt-get install -y curl tar - mkdir -p ./corpus # 1. 从对象存储下载历史精简语料库 - curl -s -f ${CORPUS_STORAGE_URL}/${FUZZ_TARGET}_corpus.tar.gz | tar -xz -C ./corpus || true script: # 2. 执行 300 秒快速模糊测试限制内存开销与最大执行步数 - ./${FUZZ_TARGET} ./corpus -max_total_time300 -rss_limit_mb2048 -print_final_stats1 after_script: # 3. 检查是否生成了 crash- 文件若存在则上传工件便于调试 - if ls crash-* 1 /dev/null 21; then echo [!] Crash detected!; tar -czf crashes.tar.gz crash-*; fi artifacts: when: on_failure paths: - crashes.tar.gz语料库自动管理与去重分发机制持续模糊测试的灵魂在于语料库Corpus的高效进化与去重。如果语料无限膨胀Fuzzing 效率将呈指数级下降。我们在 Nightly 任务中通过专用脚本执行自动合并Merge Minimize与异常去重# corpus_manager.py import subprocess import os import shutil import hashlib def minimize_and_sync_corpus(fuzzer_bin, raw_corpus_dir, minimized_corpus_dir): 使用 libFuzzer 的 -merge1 特性对新探索出的语料进行去重最小化 os.makedirs(minimized_corpus_dir, exist_okTrue) print([*] Starting corpus minimization...) cmd [ fuzzer_bin, f-merge1, minimized_corpus_dir, raw_corpus_dir ] result subprocess.run(cmd, stdoutsubprocess.PIPE, stderrsubprocess.PIPE, textTrue) if result.returncode 0: print([] Corpus minimization completed successfully.) print(result.stdout) else: print(f[-] Corpus minimization failed: {result.stderr}) return False # 打包并计算校验和 tar_path f{minimized_corpus_dir}.tar.gz subprocess.run([tar, -czf, tar_path, -C, minimized_corpus_dir, .], checkTrue) with open(tar_path, rb) as f: sha256 hashlib.sha256(f.read()).hexdigest() print(f[] Minimized corpus ready: {tar_path} (SHA256: {sha256[:16]})) return True if __name__ __main__: minimize_and_sync_corpus(./packet_parser_fuzzer, ./nightly_corpus_new, ./corpus_master)缺陷闭环Crash 自动指纹归约与工单分派当 CI 节点触发 Crash 时自动化系统通过解析 ASan 输出提取崩溃指纹Crash Signature包括 Exception Type Top-3 Stack Frame自动向缺陷跟踪系统Jira / TAPD推送工单并附带可复现的最小输入文件实现了从代码提交、实时 Fuzz 拦截到缺陷派发的无人值守闭环。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉