💻 computer science

Multi-Agent Cooperative Fuzzing for HarmonyOS APIs

Dit artikel presenteert HMFuzzer, een multi-agent coöperatief fuzzing-framework dat de ontdekking van kwetsbaarheden in HarmonyOS API's verbetert door gebruik te maken van Android-code-retrieval, multimodale documentinterpretatie, reinforcement learning voor promptoptimalisatie en geautomatiseerde crashanalyse om het tekort aan en de lage kwaliteit van bestaande ecosysteemdocumentatie te overwinnen.

Oorspronkelijke auteurs: Fei Jia, Lei Zhang, Huibing Zhang, Lianhai Liu

Gepubliceerd 2026-06-24✓ Author reviewed ⓘ

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Fei Jia, Lei Zhang, Huibing Zhang, Lianhai Liu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot probeert te leren hoe hij moet inbreken in een zeer nieuw, hoogtechnologisch huis (HarmonyOS) om zwakke plekken in de sloten en ramen te vinden. Het probleem is dat het huis zo nieuw is dat er bijna geen blauwdrukken zijn, geen "hoe-te"-video's, en de weinige instructies die je hebt, zijn geschreven in een taal die de robot niet goed spreekt, vol met verwarrende plaatjes in plaats van woorden.

Dit artikel introduceert een nieuw team van robot-specialisten genaamd HMFuzzer om dit probleem op te lossen. In plaats van één robot die alles probeert te doen, gebruiken ze een driepersoons-team dat samenwerkt, vergelijkbaar met een gespecialiseerd recherche-eenheid.

Hier is hoe hun team werkt, uitgelegd met eenvoudige analogieën:

1. Het Probleem: Het "Nieuwe Huis" met ontbrekende handleidingen

HarmonyOS is als een gloednieuwe slimme stad. Het heeft miljoenen deuren (API's) die verschillende apparaten met elkaar laten communiceren. Maar omdat het nieuw is:

Zijn er zeer weinig voorbeelden van hoe je deze deuren gebruikt.
De officiële instructiehandleidingen zitten vol diagrammen en afbeeldingen die tekstgebaseerde robots niet kunnen lezen.
Bestaande tools (andere robots) proberen te raden hoe ze binnen moeten breken, maar ze blijven falen omdat ze niet genoeg informatie hebben.

2. De Oplossing: Het Team van Drie Agents

Het HMFuzzer-team bestaat uit drie gespecialiseerde agents die het werk aan elkaar doorgeven:

Agent A: De "Vertaler & Organisator" (Preprocessing Agent)

De Taak: Deze agent neemt de rommelige instructiehandleidingen. Omdat de handleidingen veel plaatjes bevatten (zoals flowcharts) die de robot niet kan begrijpen, gebruikt deze agent een "super-ogen" AI (Multimodale Grote Modellen) om naar de plaatjes te kijken en deze in gewone tekst te beschrijven.
De Analogie: Stel je een bibliothecaris voor die een boek vol verwarrende schetsen neemt en voor elke afbeelding een gedetailleerde tekstuele beschrijving schrijft, zodat de robot het daadwerkelijk kan lezen.
De Toelatingscontrole: Deze agent controleert ook de "beveiligingsbewaker"-regels. Hij zorgt ervoor dat de robot alleen de deuren probeert te openen waar hij daadwerkelijk toestemming voor heeft, zodat hij niet wordt gemarkeerd voor het proberen in te breken in een beperkt gebied.

Agent B: De "Driver Builder" (Driver Generation Agent)

De Taak: Deze agent bouwt de eigenlijke "sleutels" (fuzz drivers) om de deuren te testen. Maar omdat er geen HarmonyOS-sleutels zijn om van te kopiëren, krijgt deze agent een slim idee: Hij kijkt naar Android.
De Analogie: HarmonyOS en Android zijn als neven; ze dragen verschillende kleding maar hebben een vergelijkbare stamboom. Als de robot moet weten hoe hij een Bluetooth-deur in HarmonyOS opent, kijkt hij naar hoe Android zijn Bluetooth-deuren opent. Hij gebruikt een enorme bibliotheek met Android-voorbeelden als een "spiekbriefje" om te raden hoe de HarmonyOS-deuren werken.
De "Coach" (Reinforcement Learning): Als de robot een sleutel bouwt die niet past (een syntaxfout), stapt een "Coach" in. In plaats van alleen "fout" te zeggen, gebruikt de Coach een scoresysteem om de robot te vertellen: "Probeer de volgende keer dit specifieke type sleutelvorm." De robot leert van zijn fouten en wordt steeds beter in het bouwen van sleutels bij elke poging.

Agent C: De "Crime Scene Investigator" (Vulnerability Analysis Agent)

De Taak: Wanneer een test ervoor zorgt dat het systeem vastloopt (zoals een deur die klemt of een raam dat verbrijzelt), onderzoekt deze agent de situatie.
De Analogie: In het verleden keken robots alleen naar tekstlogs. Maar HarmonyOS geeft soms geen duidelijke tekstlogs. Daarom maakt deze agent een foto van de crash (een screenshot) en gebruikt de "super-ogen" AI om te beschrijven wat er op de foto gebeurde.
Het Detectivewerk: Hij combineert de fotobeschrijving, de tekstlogs en een database van bekende misdaden (kwetsbaarheden) om te achterhalen: "Was dit een simpele fout, of een echt beveiligingslek?" Hij gebruikt een "chain of thought"-methode, wat betekent dat hij zijn redenering stap voor stap doorloopt voordat hij een conclusie trekt.

3. De Resultaten: Wat hebben ze gevonden?

Het team heeft hun nieuwe squad getest op HarmonyOS 5.0 en heeft echte beveiligingslekken gevonden die andere tools over het hoofd zagen.

De Grote Winst: Ze vonden een specifieke kwetsbaarheid in de manier waarop het systeem SVG-afbeeldingen afhandelt (dat zijn die kleine grafische elementen die in apps worden gebruikt). Ze creëerden een test die een reeks getallen zo lang door het systeem voerde dat de buffer brak (zoals het proberen te gieten van een oceaan in een kopje). Het systeem crashte, wat een beveiligingslek onthulde.
Efficiëntie: Hun team gebruikte minder computergeheugen dan andere tools omdat ze slimmer waren in hoe ze testten, in plaats van simpelweg alles met brute kracht te proberen.
Veelzijdigheid: Ze hebben hun team zelfs getest op andere systemen (zoals PyTorch en TensorFlow) en vonden daar ook nieuwe bugs, wat bewijst dat het team goed is in het breken van dingen in het algemeen, en niet alleen HarmonyOS.

Samenvatting

Kortom, het artikel beschrijft een slim, drieledig robot-team dat:

Leest verwarrende, beeldrijke handleidingen door afbeeldingen in tekst om te zetten.
Kopieert ideeën van een vergelijkbaar, ouder systeem (Android) om betere test-sleutels te bouwen.
Onderzoekt crashes door screenshots en logs te analyseren om echte beveiligingslekken te vinden.

Ze noemen hun tool HMFuzzer, en het heeft succesvol kwetsbaarheden in HarmonyOS gevonden die andere tools niet konden zien, terwijl het zichzelf voortdurend verbeterde en leerde.

Technische Samenvatting: Multi-Agent Coöperatieve Fuzzing voor HarmonyOS API's

1. Probleemstelling

HarmonyOS, een microkernel-gebaseerd besturingssysteem met een verenigd API-framework, heeft een enorme uitrol bereikt over heterogene apparaten. De beveiliging ervan wordt echter bedreigd door een uitbreidend aanvalsoppervlak, met name binnen de API's. Bestaande fuzzing-tools hebben moeite met het effectief testen van HarmonyOS vanwege drie primaire uitdagingen:

Schaarste aan Voorbeelden: In tegenstelling tot volwassen ecosystemen beschikt HarmonyOS niet over publiekelijk beschikbare API-gebruiksvoorbeelden, wat het voor geautomatiseerde tools moeilijk maakt om logische structuren te begrijpen.
Beperkingen in Documentatie: De officiële ontwikkelaarsdocumentatie is vaak van lage kwaliteit, beeldrijk en combineert tekst met workflowdiagrammen (bijv. flowcharts, sequentiediagrammen) die niet machineleesbaar zijn, wat semantische extractie belemmert.
Moeilijkheden bij Crash-analyse: De microkernelarchitectuur en de asynchrone aard van HarmonyOS API's resulteren in crash-kenmerken die verschillen van conventionele OS'en. Bestaande deduplicatie- en classificatie-algoritmen falen vaak, wat leidt tot foutieve samenvoeging van verschillende kwetsbaarheden of fragmentatie van enkelvoudige kwetsbaarheden.

2. Methodologie: HMFuzzer Framework

De auteurs stellen HMFuzzer voor, een multi-agent coöperatief fuzzing-framework dat is ontworpen om de identificatie van kwetsbaarheden te automatiseren met minimale menselijke tussenkomst. Het framework integreert drie samenwerkende agents:

A. Preprocessing Agent

Deze agent bereidt de invoerdata voor om documentatie- en permissiebarrières te overwinnen:

Multimodale Semantische Uitlijning: Om de beeldrijke documentatie aan te pakken, gebruikt de agent drie multimodale Large Language Models (LLM's)—Qwen, Llama en Gemini—om API-workflowdiagrammen (JPG/PNG) om te zetten in tekstuele beschrijvingen. Een tekstgebaseerde LLM (DeepSeek) voegt deze beschrijvingen samen om een definitieve, nauwkeurige tekstuele representatie te creëren, die vervolgens via bestandspaden wordt uitgelijnd met de originele documentatie.
Extractie van Permissies: Om fout-positieven veroorzaakt door ontbrekende permissies te voorkomen, extraheert de agent automatisch de vereiste permissies (naam, beschrijving, niveau, modus, geldigheid) uit officiële documenten en genereert een configuratiebestand dat aan de corresponderende API's wordt toegewezen.

B. Driver Generation Agent

Deze agent pakt het gebrek aan HarmonyOS-specifieke voorbeelden aan door gebruik te maken van cross-platform kennis en reinforcement learning:

Android Kennisbank (RAG): Erkennend dat er ontwerpovereenkomsten zijn tussen HarmonyOS en Android, embedt het systeem een gecureerde bibliotheek van 231 Android-voorbeeldcodes (dekking van UI, opslag, netwerk, etc.) in een vectordatabase. Met behulp van Retrieval-Augmented Generation (RAG) haalt het systeem semantisch vergelijkbare Android-codesnippets op om de trainingsdata voor het genereren van HarmonyOS-drivers aan te vullen.
Reinforcement Learning (RL) voor Prompt Optimalisatie: Om de kwaliteit van de drivers te verbeteren, gebruikt de agent een RL-schema om prompt-templates dynamisch te selecteren en te muteren (gebaseerd op criteria zoals CRISPE, CO-STAR, etc.). De beloningsfunctie ( $R$ ) balanceert syntactische correctheid, het minimaliseren van fouten (waarschuwingen, syntaxis, semantiek, linker, preprocessor) en de generatietijd.
Syntaxis Verificatie: Gegenereerde drivers worden gecompileerd met de ArkCompiler. Drivers die falen op syntaxiscontroles worden teruggestuurd naar de agent voor automatische reparatie, geleid door de door RL geselecteerde prompts.

C. Vulnerability Analysis Agent

Deze agent analyseert de executieresultaten om kwetsbaarheden te identificeren:

Crash Capture: Vanwege beperkingen in logverzameling op bepaalde versies van HarmonyOS, legt het systeem ook crash-screenshots vast naast de logs.
Multimodale Crash Analyse: Screenshots worden via multimodale LLM's omgezet naar tekst. Deze beschrijvingen, gecombineerd met logs en een kwetsbaarheden-kennisbank (bevattende bekende CVE's), worden gevoed aan een LLM (DeepSeek) die gebruikmaakt van Chain-of-Thought (CoT) redenering.
Classificatie: De agent identificeert typen kwetsbaarheden, voert cross-validatie uit tegen bekende databases en markeert onbekende crashes voor handmatige verificatie.

D. Fuzzing Loop

Het systeem werkt in een lus waarbij seeds (API-parameterlijsten) worden geïnitialiseerd met energie-waarden. De LLM voert type-bewuste mutaties uit op deze seeds. De seed-energie wordt opnieuw berekend op basis van log-output (waarschuwingen, fouten, fatale fouten) en de aanwezigheid van crashes in screenshots, wat de selectie van de volgende testgevallen stuurt.

3. Belangrijkste Bijdragen

Eerste Fuzzer voor HarmonyOS: HMFuzzer wordt gepresenteerd als de eerste tool die specifiek is ontworpen voor het toepassen van fuzz testing op de HarmonyOS API's.
Cross-Platform Kennisoverdracht: De innovatieve integratie van een Android-voorbeeldcodebibliotheek als kennisbank om het tekort aan HarmonyOS-specifieke voorbeelden te compenseren.
Multimodale Documentatieverwerking: Een pipeline die gebruikmaakt van multimodale LLM's om beeldgebaseerde workflowdiagrammen om te zetten in tekst, wat semantische uitlijning met code-generatie mogelijk maakt.
RL-gestuurde Driver Generatie: Een reinforcement learning-mechanisme dat prompt-templates dynamisch optimaliseert om syntactische fouten te herstellen en de geldigheid van de drivers te verbeteren.
Open-Source Implementatie: De auteurs hebben de HMFuzzer-code open-source gemaakt om praktisch gebruik en verder onderzoek te faciliteren.

4. Experimentele Resultaten

Experimenten werden uitgevoerd op HarmonyOS Next 5.0 met een Huawei Nova 12 Ultra apparaat, waarbij HMFuzzer werd vergeleken met de baselines fuzz4ALL en TitanFuzz.

Ontdekking van Kwetsbaarheden: HMFuzzer detecteerde succesvol een bekende SVG-parsing kwetsbaarheid (CVE-2024-58115) gerelateerd aan een buffer overflow, die noch het baseline tool, noch de andere tool identificeerde. De baseline tools faalden in het genereren van effectieve SVG-gerelateerde drivers door het gebrek aan specifieke voorbeelden.
Driver Kwaliteit: In ablatie-studies lieten de integraties van modules incrementele verbeteringen zien in het aantal bruikbare drivers (UD):
- Baseline: 134 UD
- - RL: 157 UD (+17%)
- - RL + Android Examples (AEC): 167 UD (+25%)
- - RL + AEC + Multimodal Generation (MMG): 174 UD (+30%)
LLM Selectie: DeepSeek werd geïdentificeerd als het meest effectieve model voor driver generatie, waarbij het 134 geldige drivers produceerde in 141 iteraties, waarmee het Qwen (72 geldig in 160 iteraties) en ChatGPT (106 geldig in 236 iteraties) overtrof.
Generaliseerbaarheid: Bij testen op niet-HarmonyOS targets (PyTorch en TensorFlow), bevestigde HMFuzzer 2 bekende en 3 nieuwe kwetsbaarheden in PyTorch, en 4 bekende en 3 nieuwe in TensorFlow.
Efficiëntie: HMFuzzer vertoonde een lager geheugengebruik vergeleken met TitanFuzz en Fuzz4All, toe te schrijven aan de lichtgewicht random mutatiestrategie.
Gecombineerde Kwetsbaarheden: 98,25% van de door HMFuzzer gevonden kwetsbaarheden werd geïdentificeerd als gecombineerde kwetsbaarheden, aanzienlijk hoger dan de 41,5% gevonden door TitanFuzz.

5. Betekenis en Claims

Het artikel claimt dat HMFuzzer effectief de unieke uitdagingen van het fuzzen van het HarmonyOS-ecosysteem aanpakt, met name het gebrek aan voorbeelden en de complexiteit van multimodale documentatie. Door het volwassen Android-ecosysteem als een proxy-kennisbank te gebruiken en multimodale LLM's in te zetten voor documentatieverwerking, verbetert het framework de kwaliteit van de driver-generatie en de efficiëntie van de ontdekking van kwetsbaarheden aanzienlijk. De auteurs stellen dat hun aanpak de handmatige inspanning vermindert terwijl het kritieke kwetsbaarheden blootlegt, waaronder buffer overflows en Denial-of-Service (DoS) vectoren, en daarmee bijdraagt aan de beveiliging van het snel expanderende HarmonyOS-ecosysteem.