Resumo Técnico: Fuzzing Cooperativo de Multi-Agentes para APIs do HarmonyOS

1. Definição do Problema

O HarmonyOS, um sistema operacional baseado em microkernel com uma estrutura de API unificada, alcançou uma implantação massiva em dispositivos heterogêneos. No entanto, sua segurança é ameaçada por uma superfície de ataque em expansão, particularmente dentro de suas APIs. As ferramentas de fuzzing existentes têm dificuldade em testar o HarmonyOS de forma eficaz devido a três desafios primários:

1. Escassez de Exemplos: Ao contrário de ecossistemas maduros, o HarmonyOS carece de exemplos de uso de API publicamente disponíveis, tornando difícil para ferramentas automatizadas compreenderem estruturas lógicas.
2. Limitações de Documentação: A documentação oficial para desenvolvedores é frequentemente de baixa qualidade, rica em imagens e intercala texto com diagramas de fluxo de trabalho (ex: fluxogramas, diagramas de sequência) que não são legíveis por máquina, dificultando a extração semântica.
3. Dificuldades na Análise de Crashes: A arquitetura de microkernel e a natureza assíncrona das APIs do HarmonyOS resultam em características de crash que diferem dos sistemas operacionais convencionais. Algoritmos de deduplicação e classificação existentes frequentemente falham, levando à fusão errônea de vulnerabilidades distintas ou à fragmentação de uma única vulnerabilidade.

2. Metodologia: Estrutura HMFuzzer

Os autores propõem o HMFuzzer, uma estrutura de fuzzing cooperativa de multi-agentes projetada para automatizar a identificação de vulnerabilidades com intervenção humana mínima. A estrutura integra três agentes colaborativos:

A. Agente de Pré-processamento

Este agente prepara os dados de entrada para superar barreiras de documentação e permissão:

• Alinhamento Semântico Multimodal: Para lidar com a documentação rica em imagens, o agente utiliza três LLMs multimodais — Qwen, Llama e Gemini — para converter diagramas de fluxo de trabalho de API (JPG/PNG) em descrições textuais. Um LLM baseado em texto (DeepSeek) funde essas descrições para criar uma representação textual final e precisa, que é então alinhada com o documento original via caminhos de arquivo.
• Extração de Permissões: Para evitar falsos positivos causados pela ausência de permissões, o agente extrai automaticamente os requisitos de permissão (nome, descrição, nível, modo, validade) dos documentos oficiais e gera um arquivo de configuração atribuído às APIs correspondentes.

B. Agente de Geração de Drivers

Este agente aborda a falta de exemplos específicos do HarmonyOS aproveitando o conhecimento multiplataforma e o aprendizado por reforço:

• Base de Conhecimento Android (RAG): Reconhecendo as semelhanças de design entre o HarmonyOS e o Android, o sistema incorpora uma biblioteca curada de 231 códigos de exemplo Android (cobrindo UI, armazenamento, rede, etc.) em um banco de dados vetorial. Usando Geração Aumentada por Recuperação (RAG), o sistema recupera trechos de código Android semanticamente similares para suplementar os dados de treinamento para a geração de drivers do HarmonyOS.
• Aprendizado por Reforço (RL) para Otimização de Prompts: Para melhorar a qualidade do driver, o agente utiliza um esquema de RL para selecionar e mutar dinamicamente templates de prompt (baseados em critérios como CRISPE, CO-STAR, etc.). A função de recompensa ($R$) equilibra a correção sintática, a minimização de erros (avisos, sintaxe, semântica, linker, pré-processador) e o tempo de geração.
• Verificação de Sintaxe: Os drivers gerados são compilados usando o ArkCompiler. Drivers que falham nos testes de sintaxe são devolvidos ao agente para reparo automatizado guiado pelos prompts selecionados pelo RL.

C. Agente de Análise de Vulnerabilidades

Este agente analisa os resultados de execução para identificar vulnerabilidades:

• Captura de Crash: Devido às limitações na coleta de logs em certas versões do HarmonyOS, o sistema captura capturas de tela (screenshots) de crash além dos logs.
• Análise de Crash Multimodal: As capturas de tela são convertidas em texto via LLMs multimodais. Essas descrições, combinadas com logs e uma base de conhecimento de vulnerabilidades (contendo CVEs conhecidos), são enviadas para um LLM (DeepSeek) utilizando raciocínio de Cadeia de Pensamento (CoT).
• Classificação: O agente identifica tipos de vulnerabilidade, realiza a validação cruzada contra bases de dados conhecidas e sinaliza crashes desconhecidos para verificação manual.

D. Loop de Fuzzing

O sistema opera em um loop onde as sementes (listas de parâmetros de API) são inicializadas com valores de energia. O LLM realiza mutações conscientes de tipo nestas sementes. A energia da semente é recalculada com base na saída do log (avisos, erros, erros fatais) e na presença de crashes nas capturas de tela, guiando a seleção dos próximos casos de teste.

3. Principais Contribuições

1. Primeiro Fuzzer para HarmonyOS: O HMFuzzer é apresentado como a primeira ferramenta especificamente projetada para aplicar testes de fuzzing às APIs do HarmonyOS.
2. Transferência de Conhecimento Cross-Platform: A integração inovadora de uma biblioteca de códigos de exemplo Android como base de conhecimento para compensar a escassez de exemplos específicos do HarmonyOS.
3. Processamento de Documentação Multimodal: Uma pipeline usando LLMs multimodais para converter diagramas de fluxo de trabalho baseados em imagem em texto, permitindo o alinhamento semântico com a geração de código.
4. Geração de Drivers Impulsionada por RL: Um mecanismo de aprendagem por reforço que otimiza dinamicamente os templates de prompt para reparar erros de sintaxe e melhorar a validade do driver.
5. Implementação Open-Source: Os autores disponibilizaram o código do HMFuzzer para facilitar o uso prático e pesquisas futuras.

4. Resultados Experimentais

Experimentos foram conduzidos no HarmonyOS Next 5.0 usando um dispositivo Huawei Nova 12 Ultra, comparando o HMFuzzer com as bases de comparação fuzz4ALL e TitanFuzz.

• Descoberta de Vulnerabilidades: O HMFuzzer detectou com sucesso uma vulnerabilidade conhecida de parsing de SVG (CVE-2024-58115) envolvendo um buffer overflow, que nenhuma das ferramentas de base identificou. As ferramentas de base falharam em gerar drivers eficazes relacionados a SVG devido à falta de exemplos específicos.
• Qualidade do Driver: Em estudos de ablação, a integração dos módulos mostrou melhorias incrementais no número de drivers utilizáveis (UD):
  • Baseline: 134 UD
  • • RL: 157 UD (+17%)
  • • RL + Exemplos Android (AEC): 167 UD (+25%)
  • • RL + AEC + Geração Multimodal (MMG): 174 UD (+30%)
• Seleção de LLM: O DeepSeek foi identificado como o modelo mais eficaz para geração de drivers, produzindo 134 drivers válidos em 141 iterações, superando o Qwen (72 válidos em 160 iterações) e o ChatGPT (106 válidos em 236 iterações).
• Generalização: Ao ser testado em alvos não-HarmonyOS (PyTorch e TensorFlow), o HMFuzzer confirmou 2 vulnerabilidades conhecidas e 3 novas no PyTorch, e 4 conhecidas e 3 novas no TensorFlow.
• Eficiência: O HMFuzzer demonstrou menor uso de memória em comparação ao TitanFuzz e Fuzz4All, atribuído à sua estratégia leve de mutação aleatória.
• Vulnerabilidades Combinadas: 98,25% das vulnerabilidades encontradas pelo HMFuzzer foram identificadas como vulnerabilidades combinadas, significativamente superior aos 41,5% encontrados pelo TitanFuzz.

5. Significância e Alegações

O artigo afirma que o HMFuzzer aborda efetivamente os desafios únicos de realizar fuzzing no ecossistema HarmonyOS, especificamente a falta de exemplos e a complexidade da documentação multimodal. Ao aproveitar o ecossistema Android maduro como um proxy de base de conhecimento e empregar LLMs multimodais para o processamento de documentação, a estrutura melhora significativamente a qualidade da geração de drivers e a eficiência na descoberta de vulnerabilidades. Os autores afirmam que sua abordagem reduz o esforço manual enquanto descobre vulnerabilidades críticas, incluindo buffer overflows e vetores de negação de serviço (DoS), contribuindo assim para a segurança do ecossistema em rápida expansão do HarmonyOS.