GitHub Security Lab 推出基于 AI 的自动化模糊测试任务流
GitHub Security Lab 发布了基于 LLM 驱动的 Fuzzing Taskflow，旨在将模糊测试中的重复性人工工作自动化。该工具能自动识别入口点、编写 Harness、运行 AFL++ 并处理崩溃报告，显著降低 C/C++ 项目安全审计的人力成本。目前默认使用 Claude Sonnet 5 模型，建议仅在隔离环境中运行以确保安全。
事件概述
GitHub Security Lab 推出了名为 Fuzzing Taskflow 的自主模糊测试管道，该管道基于 GitHub Security Lab Taskflow Agent 框架构建。这一创新旨在解决持续模糊测试中仍需大量人工介入的问题，如覆盖率监控、新 Harness 编写及崩溃分类等。通过引入大语言模型（LLM）代理，该工具实现了从代码分析到漏洞报告生成的全流程自动化。
核心功能与工作流程
Fuzzing Taskflow 专为 C/C++ 项目设计，用户只需提供 GitHub 仓库地址，系统即可自动执行以下操作：
- 环境准备与分析：自动安装必要软件（如 AFL）、克隆仓库，并利用 LLM 识别代码中最相关的函数作为入口点。
- Harness 生成与优化：为选定函数创建模糊测试目标（fuzz targets），编写初始 Harness，并根据覆盖率报告自动改进 Harness 质量。
- 执行与监控：运行 AFL++ 进行模糊测试，实时读取覆盖率数据。
- 结果处理：对产生的崩溃进行分类（triage），并为每个唯一 bug 自动生成漏洞报告。
整个流程无需人工“ babysitting ”（监护），实现了端到端的自主运行。
技术架构
该任务流由三层结构组成：
- Shell 驱动层：
run_fuzzing.sh脚本负责串联各个管道阶段。 - Taskflow YAML 配置层：每个阶段对应一个 YAML 文件，实质上是指导 LLM 代理执行特定任务的提示词（Prompts）。
- MCP 工具层：代理调用的具体执行工具，包括运行 AFL、编译 Harness、存储崩溃样本和读取覆盖率报告等。
使用指南与安全警告
快速启动：
用户可以通过 GitHub Codespace 快速体验该工具。访问 GitHubSecurityLab/seclab-taskflows-fuzzing 并运行以下命令：
bash
./scripts/fuzzing/run_fuzzing.sh <OWNER/REPO>
示例：
./scripts/fuzzing/run_fuzzing.sh tukaani-project/xz
对于快速烟雾测试，建议使用小型仓库，如 DaveGamble/cJSON。
重要安全提示：
该任务流直接在宿主机上运行 afl-fuzz、clang 以及由 LLM 选择的任意构建命令，未使用容器隔离。这意味着如果遭遇提示注入攻击，代理可能执行有害操作。因此，强烈建议仅在可丢弃的环境（如 Codespace 或临时虚拟机）中运行，且不要使用 elevated privileges（高权限）。
模型选择：
默认情况下，系统使用 Claude Sonnet 5，因其通过了内部所有安全测试且未触发输出限制。用户可通过修改 src/seclab_taskflows_fuzzing/configs/model_config.yaml 文件来切换其他模型。