GadgetHunter：基于区域的Java反序列化漏洞神经符号检测方法

《Proceedings of the ACM on Software Engineering》：GadgetHunter: Region-Based Neuro-symbolic Detection of Java Deserialization Vulnerabilities

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多信息登录

摘要

摘要

Java反序列化漏洞使得攻击者能够通过构造恶意序列化对象来执行任意代码，这些对象会触发一系列方法调用，从而引发危险操作。现有的检测方法存在根本性的权衡：静态分析虽然具备可扩展性，但由于路径不可行以及反射等动态特性导致的精度问题，会产生大量误报；而动态验证虽能减少误报，但成本高昂，且无法深入探索攻击链的完整路径。

我们提出了GadgetHunter，这是一种神经符号学的JDV检测器，它结合了可扩展的静态分析、针对性的LLM推理以及以JDV利用为目标的约束求解技术。该方法根据分析可行性将攻击链划分为不同区域：可通过静态分析解决的片段采用进程间污染分析处理，而动态边界则交由LLM进行语义验证。随后，我们从每个攻击组件中提取关键约束，并将其转化为SMT公式，通过满足性求解来判断攻击链的可行性。在ysoserial基准测试上的结果显示，与现有最先进工具相比，GadgetHunter将误报率降低了12%-85%，同时将漏报率降低了多达32%，此外还发现了197条此前未知的攻击链，并重新发现了4个最新的CVE漏洞。我们的研究结果表明，将符号推理与语义理解相结合，能够在漏洞检测中实现高精度与实际应用效果的平衡。

AI总结

AI生成的总结（实验性）

该总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的实用性，以及便于相关领域的读者理解本文内容。它是对作者提供的摘要的补充，后者仍是文章的核心总结部分。全文才是具有权威性的版本。点击此处了解更多。

请点击此处，对这篇总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结生成版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。