Machine learning for fuzzing: State of art

Abstract

Machine learning has become more and more popular in recent years. This popularization has been stimulated by multiple factors: large and affordable computational power, new powerful algorithms, new tools that make it easy to use machine learning algorithms, availability of big data to train the models, etc. Many disciplines have experienced significant changes thanks to its adoption. The fuzzing field has not been an exception. Many researchers have proposed applying machine learning algorithms to the various stages of the fuzzing process. Most studies seem to have brought improvements to the task, however it is not always clear at what cost. Moreover, the reasons behind the selection of one algorithm instead of another are not clear in much of the published literature. This master thesis not only presents the benefits and disadvantages of using various machine learning algorithms in each fuzzing stage, but also identifies new promising paths that researchers should take.

El aprendizaje automático se ha hecho cada vez más popular en los últimos años. Esta popularización se ha visto estimulada por múltiples factores: una potencia de cálculo grande y asequible, nuevos y potentes algoritmos, nuevas herramientas que facilitan el uso de los algoritmos de aprendizaje automático, disponibilidad de big data para entrenar los modelos, etc. Muchas disciplinas han experimentado cambios significativos gracias a su adopción. El campo del fuzzing no ha sido una excepción. Muchos investigadores han propuesto aplicar algoritmos de aprendizaje automático a las distintas etapas del proceso de fuzzing. La mayoría de los estudios parecen haber aportado mejoras a la tarea, aunque no siempre está claro a qué precio. Además, las razones que justifican la selección de un algoritmo en lugar de otro no están claras en gran parte de la literatura publicada. Esta tesis de máster no sólo presenta los beneficios y desventajas de utilizar varios algoritmos de aprendizaje automático en cada etapa del fuzzing, sino que también identifica nuevos caminos prometedores que los investigadores deberían tomar.

L'aprenentatge automàtic s'ha fet cada vegada més popular en els últims anys. Aquesta popularització s'ha vist estimulada per múltiples factors: una potència de càlcul gran i assequible, nous i potents algorismes, noves eines que faciliten l'ús dels algorismes d'aprenentatge automàtic, disponibilitat de big data per a entrenar els models, etc. Moltes disciplines han experimentat canvis significatius gràcies a la seva adopció. El camp del fuzzing no ha estat una excepció. Molts investigadors han proposat aplicar algorismes d'aprenentatge automàtic a les diferents etapes del procés de fuzzing. La majoria dels estudis semblen haver aportat millores a la tasca, encara que no sempre és clar a quin preu. A més, les raons que justifiquen la selecció d'un algorisme en lloc d'un altre no són clares en gran part de la literatura publicada. Aquesta tesi de màster no sols presenta els beneficis i desavantatges d'utilitzar diversos algorismes d'aprenentatge automàtic en cada etapa del fuzzing, sinó que també identifica nous camins prometedors que els investigadors haurien de prendre.