Cuda-Gen：一种基于API知识图覆盖驱动的CUDA模糊测试框架

摘要

在人工智能驱动的时代，NVIDIA CUDA库已成为加速计算密集型任务不可或缺的工具，但由于其闭源代码和独特的编程范式，其安全性评估仍然严重不足。现有研究还没有专门针对CUDA库的漏洞挖掘工具。本文讨论了对CUDA库进行模糊测试所面临的挑战：1）缺乏指导导致生成的测试驱动能够覆盖的API范围有限；2）基于大模型生成的测试驱动在输入变异方面效率低下。本文提出了一种名为Cuda-Gen的新工具，用于发现CUDA库中的潜在漏洞。Cuda-Gen能够从零开始为各种CUDA库函数生成测试驱动，执行高效的参数变异，并适配多种CUDA库的需求。首先，利用大语言模型（LLM）从CUDA文档和示例代码中提取语义关系，构建知识图谱，从而优先考虑API交互与上下文依赖关系。提出API覆盖位图，以引导模糊测试器探索测试不足的库函数。此外，API知识图谱还结合编译器诊断信息来修复错误的桩代码，从而提升编译成功率。随后，Cuda-Gen使用大模型分析并解耦参数依赖关系，区分可变参数，对其进行参数隔离变异，以提高变异效率。在3个CUDA版本（12.4、12.7和13.0）以及6个被广泛使用的库（如cuBLAS、cuFFT）上的评估表明，Cuda-Gen相较于基线工具Fuzz4all，平均实现了2.97倍的API覆盖率和4.0倍的API边覆盖率。实验还发现了3个未知漏洞，已由NVIDIA安全团队验证。

关键词

模糊测试 / 基于大语言模型的知识图谱 / CUDA库安全 / API覆盖位图