剛接觸模糊測試肯定是要從現在最為流行的afl開始，現在很多關於afl的改進都是針對afl的，而且afl本身因為其遺傳演算法、高吞吐量而得到很好的應用，在一些afl變異版本（如a***o、pfuzz、collafl、enfuzz等）、混合模糊測試（結合模糊測試和符號化執行）在實驗對比中都拿afl當作baseline。我們就一步一步從afl本身學起，對模糊測試進行深入學習吧。
對乙個程式進行模糊測試我們需要做到以下幾點：
1、能夠變異很多的測試樣例，把種子（測試樣例）進行自生產
2、在程式以乙個種子作為輸入後，能夠觀察程式是否會走新的路徑。
這樣一來就可以把能觸發不同執行路徑的種子進行收集，當有種子是程式執行產生錯誤或者延遲的時候進行記錄，就可以利用工具看程式在哪存在問題。
拿到afl原始碼後進行make，make install編譯安裝後就可以用了。make過程中會出現缺少什麼依賴之類的，該安裝就安裝，就可以編譯成功了。為了獲得對乙個程式執行路徑的掌握，需要插樁，有程式原始碼的話用內建的afl-gcc進行原始碼插樁，插樁後就可以進行模糊測試了，命令行為./afl-fuzz -i testcase_dir -o findings_dir /path/to/program @@（@@表示程式執行的時候會把indir裡面的測試樣例當作引數放在命令列中，-i後面是存放測試樣例的資料夾，-o後面是存放輸出結果的資料夾，./後面是插樁過的二進位制程式）。
但是如果只有二進位制程式的話，使用qemu模式進行插樁（速度會慢二到五倍）。在之後會進行講解。
我們先看一下afl-gcc的原始碼，其實afl-gcc就是對gcc的乙個封裝，會在gcc的基礎上呼叫afl-as。
afl-as是對.s檔案進行插樁操作，在其中有跳轉的的位置插入彙編碼，實現在程式跳轉時能夠通過在跳轉處的插樁掌握程式的執行路徑。在函式add_instrumentation（）中對輸入的彙編**.s檔案進行操作，下列**將識別跳轉（je，jnz之類）。
if (line[0] == '\t')
continue;
}
int main(int argc, char *ar**)
之前提到過，在跳轉處插入了呼叫random封裝而成的r（map_size）函式生成乙個隨機值存入rcx暫存器，再進入堆疊成為_afl_maybe_log的引數。那麼當afl在選擇輸入種子之後就會執行程式，沒到乙個基本塊就會執行一次_afl_maybe_log，這樣一來，每個基本塊相當於有了自己的id，afl執行了哪些基本塊就會記錄id，從而得到執行路徑。關於afl怎麼記錄基本塊id，怎麼比對不同種子下的執行路徑，我們會在第三節afl的執行中詳細講。
AFL模糊測試學習（二）二進位制插樁
上一節一起學習了使用afl gcc對有原始碼的程式如何插樁，並且插樁的機制，這一節我們來一起學習如何使用qemu對沒有原始碼的二進位制程式進行插樁。首先要執行build qemu support.sh這個指令碼，這個時候如果有沒安裝pixman的錯誤的時候直接用apt安裝即可。apt get ins...
Spring原始碼學習（一）
人對神秘的東西即好奇又恐懼，好奇心使人想一 竟恐懼心又使人望而卻步，工作了那麼久對spring原始碼一直懷有這樣的心態，從來沒有下決心進行研讀，最近感覺壓力在攀公升，使自己不得不戰勝恐懼心，進行更深入的學習，希望自己的學習同樣也能給你小夥伴們帶來一絲靈感。接下來將更加一下小例子來跟讀一下原始碼的實現...
tensorflow 原始碼學習 一
作為主流的機器學習框架，tensorflow的提供的介面變化很多，專案 也比較複雜，為了讓自己使用起來更得心應手，所以覺得還是有必要學習一下原始碼。個人覺得提公升程式設計水平的兩種最好方式，乙個是自己造輪子，再乙個就是閱讀原始碼。1.版本 2.整體專案結構 這並不是tensorflow完整的專案結構...