GitHub Security Lab 发布 LLM 驱动的 Fuzzing Taskflow，自动完成 C/C++ 项目漏洞挖掘

📌 One-Sentence Summary

GitHub Security Lab 发布了 Fuzzing Taskflow，这是一个由 LLM 驱动的 C/C++ 项目自主模糊测试流水线，可自动完成测试桩创建、覆盖率反馈循环、语料库演进及崩溃分诊。

📝 Summary

本文介绍了由 GitHub Security Lab 为 C/C++ 项目开发的自主模糊测试流水线 Fuzzing Taskflow。该工具基于 seclab-taskflow-agent 框架，使用 LLM 智能体（默认采用 Claude Sonnet 5）进行决策，并利用 Model Context Protocol (MCP) 工具执行操作，完全通过 SQLite 数据库后端运行而无需内存数据传递。该流水线具备结构感知模糊测试机制，包括自定义变异器、基于源码的字典、动态覆盖率驱动字典以及语料库重组。它实现了模糊测试全生命周期的自动化：识别入口点、编写测试桩、以指数级增长的时间预算运行 AFL++、通过双二进制编译策略跟踪分支覆盖率、检测平台期、通过栈顶哈希对崩溃进行去重，并生成包含根因分析和建议补丁的漏洞报告。

💡 Main Points

LLM 智能体与 MCP 执行工具的职责清晰分离

LLM 智能体负责战略决策（测试什么、如何编写测试桩、针对哪些覆盖率缺口），而 MCP 工具执行底层操作（运行 AFL、编译、存储崩溃）。所有阶段间的状态均通过 SQLite 数据库传递。

具备平台期检测的自主覆盖率反馈循环

流水线迭代运行 AFL，通过在源码覆盖率二进制文件 (.cov) 上重放队列来评估分支覆盖率，并根据指数级增长的时间预算动态调整。当增量收益低于 1% 的阈值时，将停止优化。

四位一体的结构感知模糊测试机制

为了克服传统字节级变异在结构化格式上的限制，该流水线集成了特定格式的自定义变异器、源码级字面量/常量提取、动态扩展的覆盖率驱动字典以及语料库重组算子。

自动化的崩溃去重与分诊报告

崩溃经过最小化处理，并使用规范化帧的栈顶哈希进行去重，随后由 LLM 分析以生成 Markdown 报告，将实际漏洞与测试桩 Bug 区分开，并提供根因分析和统一 diff 补丁。

💬 Key Quotes

我一直在问自己一个自然而然的问题：这些手动繁琐的工作中，究竟有多少可以真正委交给 LLM 智能体？

我的核心架构设计原则是严格的关注点分离：LLM 智能体做决策，MCP 工具干活。

发现漏洞只是成功的一半。任何做过根因分析的人都知道，分诊通常是整个过程中最枯燥的部分。

📊 Article Meta

AI Screening： 89

Source： AIHOT — 精选

Author： noreply@aihot.news (GitHub Blog)

Category： 软件编程

Language： 英文

Read Time： 16 min

Word Count： 3941

Tags：

编程与工程 , AI 编程 , 安全 , AI Agent , 测试与质量