Effizientes Fuzzing von IoT-Geräten

Fuzzing ist eine bewährte Methode zur Identifizierung von Sicherheitslücken in Software. In dieser Dissertation wird untersucht, wie sich die Effizienz des Fuzzings für IoT-Geräte, am Beispiel des ESP32-Mikrocontrollers, steigern lässt. Während Fuzzing in klassischen Softwareumgebungen etabliert ist, fehlen speziell angepasste Verfahren für ressourcenarme IoT-Hardware. Das Ziel besteht in der Entwicklung eines konzeptionellen Frameworks, das eine umfassende und effiziente Testung trotz begrenzter IoT-Ressourcen ermöglicht. Zu diesem Zweck werden vier Ansätze zur Effizienzsteigerung sowie ein Konzept zur flexiblen Kombination dieser Ansätze vorgestellt.
... mehr
Beim Binary Rewriting wird Binärcode so modifiziert, dass die Funktionalität erhalten bleibt. Für viele gängige Architekturen existieren bereits entsprechende Verfahren. Für die Xtensa-Architektur des ESP32 gab es jedoch bislang keine Lösung. In dieser Dissertation wird gezeigt, wie sich Binary Rewriting auf dem ESP32 umsetzen lässt, um Fuzzing-Instrumentierungen direkt in die Firmware zu integrieren und Laufzeitinformationen an den Fuzzer zurückzumelden.
Zudem wurde die Emulationsumgebung des ESP32 erheblich erweitert. Dadurch ist nun Fuzzing von beliebiger Firmware möglich, auch von Firmware mit zuvor nicht unterstützten Hardwarekomponenten. Im Vergleich zur realen Hardware arbeitet die Emulation deutlich effizienter. Während hardwarebasiertes Fuzzing vier bis 40 Anfragen pro Sekunde verarbeitet, sind es in der Emulation bis zu 320 Anfragen pro Sekunde.
Zur Generierung valider Eingaben wurde ein Verfahren zum automatisierten Protocol Reverse Engineering (PRE) entwickelt, das Künstliche Neuronale Netze (KNNs) verwendet. Während PRE bislang manuell erfolgen musste, können nun Protokollstrukturen automatisch abgeleitet und damit syntaktisch korrekte Netzwerkpakete erzeugt werden. In den Tests waren 67,6 % der erzeugten HTTP-Pakete und 100 % der FTP-Pakete gültig.
Für das grammatikbasierte Fuzzing wird ein Ansatz mittels Large Language Models (LLMs) vorgestellt. Die zentrale Herausforderung bestand in der effizienten Integration des LLM in den Fuzzing-Prozess. Mithilfe der entwickelten Methode lassen sich syntaktisch und semantisch korrekte XML-Dateien generieren. Dies steigert die Programmflussabdeckung um den Faktor sechs gegenüber einer Ausführung ohne LLM und erreicht eine um 50 % höhere Abdeckung als klassische grammatikbasierte Fuzzer.
Abschließend wird ein Integrationskonzept präsentiert, das eine flexible Kombination der Ansätze ermöglicht und deren Verbesserungen additiv nutzbar macht. Dadurch trägt das Framework zur Effizienzsteigerung des Fuzzings von IoT-Geräten bei. Die Dissertation leistet somit einen wichtigen Beitrag zur praxisnahen Absicherung von IoT-Geräten.

Fuzzing is a well-established method of identifying security vulnerabilities in software. This dissertation explores ways to improve the efficiency of fuzzing for Internet of Things (IoT) devices, using the ESP32 microcontroller as a case study. While fuzzing is widely used in traditional software environments, few methods have been developed to address the limited resources available on IoT hardware.
The aim is to develop a conceptual framework that enables thorough and effective testing despite the limited resources available on IoT devices. To this end, four approaches to increasing efficiency are presented, along with a concept for combining these approaches flexibly.
... mehr
In binary rewriting, the functionality of the machine code is preserved, but the code itself is modified. Although techniques already exist for many common architectures, there has been no solution available for the Xtensa architecture of the ESP32. This dissertation demonstrates how binary rewriting can be implemented on the ESP32 to integrate fuzzing instrumentation directly into the firmware, feeding runtime information back to the fuzzer.
The ESP32's emulation environment has also been significantly expanded. Consequently, fuzzing is now feasible for arbitrary firmware, including that which previously relied on unsupported hardware components. Compared to physical hardware, the emulation runs far more efficiently: while hardware-based fuzzing processes four to 40 requests per second, the emulation achieves up to 320.
To generate valid inputs, an automated Protocol Reverse Engineering (PRE) approach using Neural Networks (NN) was developed. While protocol reverse engineering had previously required manual effort, protocol structures can now be derived automatically, enabling the generation of syntactically correct network packets. During testing, 67.6 % of the generated HTTP packets and 100 % of the FTP packets were valid.
A new approach leveraging a Large Language Model (LLM) for grammar-based fuzzing has been introduced. The main challenge was integrating the LLM efficiently into the fuzzing process. The resulting method can generate XML files that are both syntactically and semantically correct. Compared to execution without an LLM, program flow coverage increases sixfold, achieving 50 % higher coverage than classical grammar-based fuzzers.
Finally, an approach is presented that integrates these concepts, enabling improvements to be applied additively. This enhances the efficiency of fuzzing for IoT devices. Consequently, this dissertation makes a significant contribution to the practical security of IoT systems.