Cibersegurança

O GitHub Security Lab apresenta um fluxo automatizado para testar projetos C/C++ com fuzzing

O GitHub Security Lab explicou o fluxo Fuzzing Taskflow, baseado no framework Taskflow Agent, que utiliza um modelo de linguagem para descobrir pontos de entrada, escrever ferramentas de teste, melhorar a cobertura, classificar falhas e preparar relatórios preliminares de vulnerabilidades. O projeto alerta contra sua execução diretamente nos sistemas hospedeiros, pois o agente executa comandos de compilação e execução que podem ser afetados por injeção de instruções.

2026-09-24
5 min de leitura
436 visualizações
certi.news Editorial Team
O GitHub Security Lab apresenta um fluxo automatizado para testar projetos C/C++ com fuzzing

O GitHub Security Lab apresentou uma explicação sobre um fluxo de código aberto chamado Fuzzing Taskflow, projetado para automatizar grande parte dos testes de projetos C/C++ usando fuzzing e agentes de modelos de linguagem. Quando direcionado a um repositório do GitHub, o fluxo consegue analisar o sistema de compilação, identificar pontos de entrada adequados, criar ferramentas de fuzzing harnesses, executar o AFL++, ler relatórios de cobertura, aprimorar as ferramentas, classificar falhas e preparar um relatório separado para cada possível problema.

O projeto é baseado no framework GitHub Security Lab Taskflow Agent, que representa o fluxo de trabalho como um conjunto de etapas executadas pelo agente de ponta a ponta. O autor do artigo, Antonio Morales, observa que o objetivo não é eliminar o papel do pesquisador, mas transferir para o agente as tarefas repetitivas que consomem muito tempo, mantendo as decisões e a execução em duas camadas separadas.

Como o fluxo funciona?

O uso começa no repositório do projeto, executando, por exemplo, o comando ./scripts/fuzzing/run_fuzzing.sh PROJECT dentro de um Codespace. O fluxo instala as ferramentas, clona o repositório, analisa as funções importantes, cria alvos de fuzzing e executa campanhas contra eles. Sua estrutura consiste em um executor shell, arquivos YAML que descrevem as etapas de trabalho e as instruções direcionadas ao modelo, além de ferramentas MCP que executam operações como iniciar o AFL, compilar as ferramentas, ler a cobertura e armazenar as falhas.

O agente não chama diretamente o AFL ou o clang; ele decide o que deve ser testado e qual lacuna de cobertura merece acompanhamento, enquanto as ferramentas MCP executam as operações de baixo nível. O estado é armazenado em um banco de dados SQLite chamado fuzz_context.db, permitindo transmitir os resultados entre as etapas sem depender de memória compartilhada.

Ciclo de melhoria da cobertura

Cada harness é compilado duas vezes: uma versão .afl para orientar o AFL usando as ferramentas de instrumentação apropriadas, e uma versão .cov para reproduzir a lista de entradas e medir a cobertura de linhas e branches. Após cada rodada, o agente analisa os branches não cobertos e escolhe uma ação, como adicionar uma nova seed, modificar o código-fonte do harness para chamar outra interface, enriquecer o dicionário do AFL com os valores verificados pelo código ou ignorar um caminho pouco frequente que não justifique o custo.

O orçamento de tempo dobra de 30 para 60, 120, 240, 480 e 960 segundos, ou seja, cerca de 32 minutos por alvo no limite mencionado. O fluxo para ao detectar uma queda no retorno: se duas rodadas consecutivas alcançarem menos de um ponto percentual de cobertura de linhas, de acordo com o valor padrão ajustável, ele passa para outro alvo.

Tratamento de entradas e falhas

O fluxo oferece mecanismos personalizados para os formatos JSON e XML, expressões regulares, PNG e TLV binário com comprimentos incorporados, além de conseguir gerar um dicionário a partir das constantes de strings e números presentes em arquivos C e H. O dicionário também é enriquecido após cada etapa de cobertura, com base nas verificações próximas às linhas não cobertas. Cada harness mantém ainda uma pasta corpus permanente e utiliza o afl-cmin para reduzir seu tamanho, preservando as entradas úteis entre as rodadas e campanhas.

Após o fim da campanha, as falhas são minimizadas usando o afl-tmin e reproduzidas sob o AddressSanitizer; em seguida, as duplicatas são removidas com base em uma impressão digital do topo da pilha. O fluxo também testa novamente as falhas conhecidas para verificar o impacto das correções e classifica os resultados em categorias que incluem: vulnerabilidade, fortalecimento da biblioteca, erro no harness, esgotamento de memória, tempo limite, falha de assertion ou duplicata.

Por que esta notícia é importante?

O valor prático está no fato de que o fluxo tenta automatizar o ciclo que frequentemente limita a eficácia do fuzzing contínuo: escrever harnesses, ler a cobertura, escolher a próxima lacuna e classificar as falhas. Isso pode reduzir o custo inicial de testar um projeto que nunca tenha sido submetido a fuzzing ou ajudar a ampliar a cobertura de um projeto existente.

Mas o GitHub Security Lab impõe uma restrição fundamental: o fluxo executa o afl-fuzz, o clang e comandos de compilação escolhidos pelo modelo diretamente no sistema hospedeiro, sem um contêiner intermediário. Portanto, um agente afetado por injeção de instruções pode executar tudo o que o usuário puder executar. O projeto recomenda executá-lo dentro de um ambiente descartável, como um Codespace ou uma máquina virtual temporária, e sem privilégios elevados.

Além disso, os relatórios de vulnerabilidades e as correções propostas não são resultados finais. O artigo destaca que a análise do modelo pode estar errada e que o patch proposto é marcado como exigindo revisão. Assim, o Fuzzing Taskflow representa um ponto de partida bem preparado para o pesquisador, não um substituto para a verificação humana da alcançabilidade, explorabilidade e causa-raiz.

Fonte da notícia
c
Autor

certi.news Editorial Team

O que você precisa saber

O GitHub Security Lab propõe o fluxo Fuzzing Taskflow para automatizar partes dos testes de projetos C/C++ usando agentes de modelos de linguagem e AFL++. O fluxo pode criar ferramentas de fuzzing, melhorar a cobertura e classificar falhas, mas requer execução isolada e revisão humana, pois o agente executa comandos no sistema e pode ser afetado por injeção de instruções.

  • O fluxo analisa um repositório do GitHub, identifica pontos de entrada, cria fuzz harnesses e executa campanhas do AFL++.
  • Ele depende do Taskflow Agent, de arquivos YAML e de ferramentas MCP para executar operações de compilação e execução e ler a cobertura.
  • Melhora a cobertura revisando ramos não cobertos e adicionando seeds, modificando o harness ou enriquecendo um dicionário do AFL.
  • Minimiza as falhas e volta a testá-las com AddressSanitizer, depois remove duplicatas e classifica os resultados.
  • É compatível com formatos como JSON, XML, PNG e TLV, e usa o SQLite, com o nome fuzz_context.db, para transmitir o estado entre as etapas.
  • O GitHub Security Lab recomenda usar um Codespace ou uma máquina virtual temporária, sem privilégios elevados, além de revisão humana dos relatórios e patches.

Perguntas frequentes

O que é o Fuzzing Taskflow?

É um fluxo de código aberto para automatizar partes dos testes de projetos C/C++ por meio de fuzzing e agentes de modelos de linguagem.

Quais ferramentas o fluxo utiliza?

Ele utiliza o AFL++ para fuzzing, ferramentas MCP para operações de baixo nível, AddressSanitizer para testar novamente as falhas e SQLite para armazenar o estado.

É possível executá-lo diretamente no sistema host?

O GitHub Security Lab alerta contra isso, pois o agente executa comandos de compilação e execução que podem ser afetados por injeção de instruções, e recomenda um ambiente descartável, como um Codespace ou uma máquina virtual temporária.

Os relatórios de vulnerabilidades e os patches sugeridos são finais?

Não. O artigo explica que a análise do modelo pode conter erros e que os patches sugeridos precisam de revisão humana e de verificação da alcançabilidade, explorabilidade e causa raiz.

Na mesma categoria

Você também pode gostar

Ver todas as notícias