面向WS-BPEL程序的变异测试优化技术

WS-BPEL(business process execution language for Web service)是一种基于XML的、面向过程的可执行服务组装语言.由于Web服务的动态性、松耦合特性、部署与运行于开放的网络环境,如何保证WS-BPEL程序的可靠性尤显重要.尽管变异测试具有较强的故障检测能力,但由于变异体数量大、执行时间长、计算开销大,不利于在实践中广泛应用.为了增强变异测试的实用性,针对如何降低面向WS-BPEL程序的变异测试开销问题,从二阶变异和变异算子优先级角度提出了2种面向WS-BPEL程序的变异测试优化技术,开发了相应的集成化支持工具μBPEL.使用6个WS-BPEL程序实例对提出的优化技术的有效性进行验证.实验结果表明:提出的优化技术可以有效地减少变异体数目而并不显著降低变异测试有效性,提高了变异测试的效率.

HeapAFL:基于堆操作行为引导的灰盒模糊测试

随着软件开发环境和业务逻辑的复杂度不断增加,大量的堆内存对象生命周期及其引用关系造成堆内存操作行为错综复杂,极易引发程序错误造成漏洞.模糊测试作为高效的软件代码错误检测技术,常用于漏洞挖掘.然而,目前最先进的模糊测试工具专注于代码全覆盖功能测试,忽略了执行时堆内存操作状态信息,从而错过堆内存漏洞发现机会.针对上述问题,提出了一种基于堆操作行为引导的灰盒模糊测试方法HeapAFL,在不依赖漏洞先验知识的情况下,其通过静态分析插桩基础堆操作函数及其参数监测执行时控制流和数据流变化,反馈堆操作行为信息,指导模糊测试中种子优先变异阶段,探索多样化堆操作行为从而更高概率触发堆内存错误类漏洞.在6个真实应用程序上验证方法效果,并与6个最先进的模糊测试工具进行比较,实验中的CPU总共测试了4032 h.实验结果表明,HeapAFL在漏洞挖掘效果和崩溃发现效率上优于对比工作.在漏洞挖掘数量上,HeapAFL相比于基准模糊测试方法AFL,AFLFast,PathAFL,TortoiseFuzz,Angora,Memlock分别提升了1.32倍,1.39倍,1.92倍,1.56倍,2.78倍,2.08倍.最终,HeapAFL在数据集上挖掘到了25个堆内存错误类漏洞,其中包括19个已知的漏洞(即1 day)和6个未知的漏洞(即0 day),并报告给CVE(common vulnerabilities and exposures)官方漏洞库后已经获得了2个CVE漏洞编号,其余漏洞正在等待审核.

一种改进型遗传算法的网格工作流调度研究

用有向无环图表示的网格工作流调度问题是一种典型的NP-完全问题,因而,有效的调度算法是必不可少的。为解决这一问题,提出了一种改进型的遗传算法。运用适应度差的染色体与最优个体进行二级优先杂交和变异,不仅保障了种群的多样性,也提高了种群的收敛速度。采用Gridsim工具进行模拟后,证实该算法较标准的遗传算法更适用、更有效。