Résumé Technique : Fuzzing Coopératif Multi-Agents pour les API HarmonyOS

1. Énoncé du Problème

HarmonyOS, un système d'exploitation à micro-noyau doté d'un cadre d'API unifié, a atteint un déploiement massif sur des appareils hétérogènes. Cependant, sa sécurité est menacée par une surface d'attaque en expansion, particulièrement au sein de ses API. Les outils de fuzzing existants peinent à tester efficacement HarmonyOS en raison de trois défis principaux :

1. Rareté des exemples : Contrairement aux écosystèmes matures, HarmonyOS manque d'exemples d'utilisation d'API publiquement disponibles, ce qui rend difficile la compréhension des structures logiques par les outils automatisés.
2. Limitations de la documentation : La documentation officielle pour les développeurs est souvent de faible qualité, riche en images et entremêle le texte avec des diagrammes de flux (ex: organigrammes, diagrammes de séquence) qui ne sont pas exploitables par machine, entravant l'extraction sémantique.
3. Difficultés d'analyse de crash : L'architecture à micro-noyau et la nature asynchrone des API de HarmonyOS entraînent des caractéristiques de crash qui diffèrent des systèmes d'exploitation conventionnels. Les algorithmes de déduplication et de classification existants échouent souvent, menant à une fusion erronée de vulnérabilités distinctes ou à la fragmentation d'une seule vulnérabilité.

2. Méthodologie : Le Framework HMFuzzer

Les auteurs proposent HMFuzzer, un framework de fuzzing coopératif multi-agents conçu pour automatiser l'identification de vulnérabilités avec une intervention humaine minimale. Le framework intègre trois agents collaboratifs :

A. Agent de Prétraitement

Cet agent prépare les données d'entrée pour surmonter les barrières de documentation et de permissions :

• Alignement Sémantique Multimodal : Pour traiter la documentation riche en images, l'agent utilise trois modèles de langage (LLM) multimodaux — Qwen, Llama et Gemini — pour convertir les diagrammes de flux d'API (JPG/PNG) en descriptions textuelles. Un LLM textuel (DeepSeek) fusionne ces descriptions pour créer une représentation textuelle finale précise, qui est ensuite alignée avec le document original via les chemins de fichiers.
• Extraction de Permissions : Pour éviter les faux positifs causés par l'absence de permissions, l'agent extrait automatiquement les exigences de permission (nom, description, niveau, mode, validité) des documents officiels et génère un fichier de configuration assigné aux API correspondantes.

B. Agent de Génération de Drivers

Cet agent traite le manque d'exemples spécifiques à HarmonyOS en exploitant les connaissances inter-plateformes et l'apprentissage par renforcement :

• Base de Connaissances Android (RAG) : Reconnaissant les similitudes de conception entre HarmonyOS et Android, le système intègre une bibliothèque de 231 exemples de codes Android (couvrant l'UI, le stockage, le réseau, etc.) dans une base de données vectorielle. En utilisant la génération augmentée par récupération (RAG), le système récupère des extraits de code Android sémantiquement similaires pour compléter les données d'entraînement pour la génération de drivers HarmonyOS.
• Apprentissage par Renforcement (RL) pour l'Optimisation de Prompts : Pour améliorer la qualité des drivers, l'agent utilise un schéma de RL pour sélectionner et muter dynamiquement les modèles de prompts (basés sur des critères comme CRISPE, CO-STAR, etc.). La fonction de récompense ($R$) équilibre la correction syntaxique, la minimisation des erreurs (avertissements, syntaxe, sémantique, linker, préprocesseur) et le temps de génération.
• Vérification Syntaxique : Les drivers générés sont compilés avec l'ArkCompiler. Les drivers échouant aux vérifications syntaxiques sont renvoyés à l'agent pour une réparation automatisée guidée par les prompts sélectionnés par le RL.

C. Agent d'Analyse de Vulnérabilité

Cet agent analyse les résultats d'exécution pour identifier les vulnérabilités :

• Capture de Crash : En raison des limitations de la collecte de logs sur certaines versions de HarmonyOS, le système capture des captures d'écran de crash en plus des logs.
• Analyse de Crash Multimodale : Les captures d'écran sont converties en texte via des LLM multimodaux. Ces descriptions, combinées aux logs et à une base de connaissances de vulnérabilités (contenant les CVE connues), sont injectées dans un LLM (DeepSeek) utilisant le raisonnement par chaîne de pensée (Chain-of-Thought - CoT).
• Classification : L'agent identifie les types de vulnérabilités, effectue une validation croisée avec les bases de données connues et signale les crashes inconnus pour une vérification manuelle.

D. Boucle de Fuzzing

Le système opère dans une boucle où les graines (listes de paramètres d'API) sont initialisées avec des valeurs d'énergie. Le LLM effectue des mutations sensibles au type sur ces graines. L'énergie de la graine est recalculée en fonction de la sortie des logs (avertissements, erreurs, erreurs fatales) et de la présence de crashes dans les captures d'écran, guidant ainsi la sélection des prochains cas de test.

3. Principales Contributions

1. Premier Fuzzer pour HarmonyOS : HMFuzzer est présenté comme le premier outil spécifiquement conçu pour appliquer le test de fuzzing aux API de HarmonyOS.
2. Transfert de Connaissances Inter-Plateformes : L'intégration novatrice d'une bibliothèque de codes d'exemples Android comme base de connaissances pour compenser la rareté des exemples spécifiques à HarmonyOS.
3. Traitement de Documentation Multimodale : Un pipeline utilisant des LLM multimodaux pour convertir les diagrammes de flux d'images en texte, permettant l'alignement sémantique avec la génération de code.
4. Génération de Drivers Pilotée par RL : Un mécanisme d'apprentissage par renforcement qui optimise dynamiquement les modèles de prompts pour réparer les erreurs de syntaxe et améliorer la validité des drivers.
5. Implémentation Open-Source : Les auteurs ont rendu le code de HMFuzzer open-source pour faciliter l'usage pratique et la recherche ultérieure.

4. Résultats Expérimentaux

Des expériences ont été menées sur HarmonyOS Next 5.0 en utilisant un appareil Huawei Nova 12 Ultra, comparant HMFuzzer aux bases de référence fuzz4ALL et TitanFuzz.

• Découverte de Vulnérabilités : HMFuzzer a détecté avec succès une vulnérabilité connue de parsing SVG (CVE-2024-58115) impliquant un dépassement de tampon (buffer overflow), que ni l'un ni l'autre des outils de référence n'avait identifiée. Les outils de référence ont échoué à générer des drivers efficaces liés à SVG en raison de l'absence d'exemples spécifiques.
• Qualité des Drivers : Dans les études d'ablation, l'intégration des modules montre des améliorations incrémentielles du nombre de drivers utilisables (UD) :
  • Baseline : 134 UD
  • • RL : 157 UD (+17%)
  • • RL + Android Examples (AEC) : 167 UD (+25%)
  • • RL + AEC + Multimodal Generation (MMG) : 174 UD (+30%)
• Sélection de LLM : DeepSeek a été identifié comme le modèle le plus efficace pour la génération de drivers, produisant 134 drivers valides en 141 itérations, surpassant Qwen (72 valides en 160 itérations) et ChatGPT (106 valides en 236 itérations).
• Généralisabilité : Testé sur des cibles non-HarmonyOS (PyTorch et TensorFlow), HMFuzzer a confirmé 2 vulnérabilités connues et 3 nouvelles dans PyTorch, et 4 connues et 3 nouvelles dans TensorFlow.
• Efficacité : HMFuzzer a démontré une consommation de mémoire plus faible par rapport à TitanFuzz et Fuzz4All, grâce à sa stratégie de mutation aléatoire légère.
• Vulnérabilités Combinées : 98,25 % des vulnérabilités trouvées par HMFuzzer ont été identifiées comme des vulnérabilités combinées, un taux nettement supérieur aux 41,5 % trouvés par TitanFuzz.

5. Signification et Revendications

L'article affirme que HMFuzzer répond efficacement aux défis uniques du fuzzing de l'écosystème HarmonyOS, spécifiquement le manque d'exemples et la complexité de la documentation multimodale. En exploitant l'écosystème mature d'Android comme base de connaissances par procuration et en employant des LLM multimodaux pour l'analyse de la documentation, le framework améliore considérablement la qualité de la génération de drivers et l'efficacité de la découverte de vulnérabilités. Les auteurs affirment que leur approche réduit l'effort manuel tout en découvrant des vulnérabilités critiques, incluant des dépassements de tampon et des vecteurs de déni de service (DoS), contribuant ainsi à la sécurité de l'écosystème en pleine expansion de HarmonyOS.