具有近梯度的细粒度数据流跟踪
摘要
我们介绍了近端梯度分析（PGA），这是一种新的、理论上有根据的方法，可以跟踪更精确和细粒度的数据流信息。PGA使用近似梯度（不可微函数梯度的推广）在程序中精确地合成不可微操作上的梯度。在程序上合成渐变消除了DTA中发生的许多数据流传播错误，并提供了关于每个测量数据流如何影响程序的更丰富信息。我们将我们的原型PGA实现与7个现实世界程序上的三种最先进的DTA实现进行了比较。我们的结果表明，PGA可以在不引入任何显著开销（平均<5%）的情况下，将数据流跟踪的F1精度提高33%（平均20%）。我们通过发现22个bug（20个由开发人员确认）和2个侧通道泄漏，并在测试程序中识别19个现有CVE中可利用的数据流，进一步证明了PGA的有效性。
实现代码：https://github.com/gryan11/PGA
主要内容
在本文中，我们提出了一种替代的数据流度量方法，它解决了DTA的局限性，同时保留了DTA在可伸缩性方面的优势。我们观察到，梯度是初等微积分导数的多变量推广，是通过可微模型跟踪输入影响的常用方法。
优势：
（一）细粒度跟踪。梯度测量影响的大小和方向，这表明对操作输入的更改将如何影响其输出。这意味着可以使用渐变来确定哪些标记源最有影响力，以及它们将如何影响程序行为。这如图1所示，其中梯度的大小确定了最有影响的输入，梯度的方向指示了如何改变输入以达到漏洞。
?