Skip to content
KitploitKITPLOIT
HerramientasBlog
Enviar
HerramientasBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

··Feeds·Contacto·Privacidad·© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
cuFuzz — Un fuzzer guiado por cobertura orientado a GPU para aplicaciones CUDA de espacio de usuario. | Kitploit
Herramientas/GitHubGitHub/nvlabs/cufuzz
Análisis de VulnerabilidadesFuzzingAnálisis de Binarios
GitHubnvlabs/cufuzz

cuFuzz

Un fuzzer guiado por cobertura orientado a GPU para aplicaciones CUDA de espacio de usuario.

Ver Repositorio
397hace 6 mesesRevisado por Kitploit

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →
Compartir

cuFuzz

Este repositorio contiene los artefactos de cuFuzz, un fuzzer guiado por cobertura orientado a GPU para aplicaciones CUDA en espacio de usuario. cuFuzz combina la recopilación de cobertura en el host y en el dispositivo con sanitización para descubrir de forma eficaz errores en programas CUDA.

Descripción general

Estructura del Repositorio

root@kitploit:~
cufuzz-artifacts/
├── src/                        # Core cuFuzz components
│   ├── cufuzz_cov_nvbit/       # NVBit-based device-side coverage collection tool
│   └── cufuzz_sand/            # Sanitizer wrappers for SAND integration
├── targets/                    # Example fuzzing targets
│   └── sampleApp/              # Simple CUDA app with intentional bug for testing
├── scripts/                    # Evaluation and analysis scripts
├── Tools/                      # External dependencies
│   ├── AFLplusplus/            # AFL++ fuzzer (git submodule)
│   └── AFLplusplus.patch       # cuFuzz patches for AFL++
├── third-party-licenses/       # Third-party license files
│   ├── LICENSE_from_aflplusplus  # AFL++ Apache 2.0 license
│   └── LICENSE_from_nvbit        # NVBit NVIDIA EULA
├── images/                     # Documentation images
├── build.sh                    # Automated build script
├── verify_build.sh             # Quick verification test
├── Dockerfile                  # Docker container definition
├── LICENSE                     # Apache License 2.0
└── CONTRIBUTING.md             # Contribution guidelines and DCO

Requisitos

Requisitos de Hardware

cuFuzz fue probado con la siguiente configuración de hardware:

ComponenteEspecificación
GPUNVIDIA A40 (48 GB de VRAM, Compute Capability 8.6)

Otras GPU: cuFuzz debería funcionar en otras GPU NVIDIA con Compute Capability ≥ 7.0. Ajusta la variable de entorno GPU_ARCH en consecuencia (consulta Configuración de la Arquitectura de GPU).

Requisitos de Software

Inicio Rápido: Instrucciones de Docker

La forma más rápida de probar cuFuzz es usar un contenedor de Docker. Nuestro Dockerfile utiliza la imagen oficial de desarrollo NVIDIA CUDA 12.9.

1. Extraer el Artefacto y Configurar AFL++

root@kitploit:~
tar -xzvf cufuzz-artifacts.tar.gz
cd cufuzz-artifacts

# Clone AFL++ (required dependency)
git clone https://github.com/AFLplusplus/AFLplusplus.git Tools/AFLplusplus
cd Tools/AFLplusplus
git checkout 9cac7ced05eb9f36c1d0b02ad594b3b09cd3938b
cd ../..

2. Construir la Imagen Docker

Construye la imagen Docker, especificando la arquitectura de tu GPU:

root@kitploit:~
sudo docker build --build-arg GPU_ARCH=<your_arch> -t cufuzz .

Referencia de arquitectura de GPU:

Para ver la lista completa, consulta: https://developer.nvidia.com/cuda-gpus

Ejemplo para A40/RTX 3090:

root@kitploit:~
sudo docker build --build-arg GPU_ARCH=sm_86 -t cufuzz .

Nota: Este paso puede tardar varios minutos dependiendo de tu máquina y conexión de red.

3. Ejecutar el Contenedor Docker

root@kitploit:~
sudo docker run --rm --gpus all -it -v /:/my_workspace cufuzz bash

4. Verificar la Instalación

Una vez que el contenedor Docker esté en ejecución, verifica la compilación:

root@kitploit:~
root@container:~/cufuzz# ./verify_build.sh

Instrucciones Detalladas de Compilación (Sin Docker)

Requisitos Previos

Instala las dependencias requeridas en Ubuntu 22.04:

root@kitploit:~
apt-get update && apt-get install -y build-essential python3-dev automake cmake git flex \
    bison libglib2.0-dev libpixman-1-dev python3-setuptools cargo libgtk-3-dev lld llvm llvm-dev \
    clang ninja-build cpio libcapstone-dev wget curl python3-pip vim less libxxhash-dev bc zlib1g-dev

Configurar la Arquitectura de GPU

Configura la variable de entorno GPU_ARCH para tu GPU (consulta la tabla de arquitecturas anterior):

root@kitploit:~
export GPU_ARCH=sm_86  # Change to match your GPU

Compilar AFL++

root@kitploit:~
cd Tools/AFLplusplus 
patch -N -p1 < ../AFLplusplus.patch 
export CXX=/usr/bin/clang++-14 
export CC=/usr/bin/clang-14
make -j8 &> build.log

Compilar la Herramienta de Cobertura NVBit

Descarga la versión 1.7.5 de NVBit:

root@kitploit:~
mkdir -p Tools/NVBit
wget https://github.com/NVlabs/NVBit/releases/download/v1.7.5/nvbit-Linux-x86_64-1.7.5.tar.bz2
tar -xvf nvbit-Linux-x86_64-1.7.5.tar.bz2 
mv nvbit_release_x86_64/* Tools/NVBit/
rm -rf nvbit_release_x86_64 nvbit-Linux-x86_64-1.7.5.tar.bz2

Compila nuestra herramienta de cobertura NVBit:

root@kitploit:~
cd src/cufuzz_cov_nvbit/
export GPU_ARCH=sm_86  # Adjust for your GPU
ARCH=$GPU_ARCH make 

Compilar los Wrappers de Sanitizador

root@kitploit:~
cd src/cufuzz_sand
AFL_SAN_NO_INST=1 ../../Tools/AFLplusplus/afl-clang-fast -O2 wrapper_san.c -o wrapper_memcheck.out 
AFL_SAN_NO_INST=1 ../../Tools/AFLplusplus/afl-clang-fast -DSAN_MODE_INIT -O2 wrapper_san.c -o wrapper_initcheck.out 
AFL_SAN_NO_INST=1 ../../Tools/AFLplusplus/afl-clang-fast -DSAN_MODE_RACE -O2 wrapper_san.c -o wrapper_racecheck.out
AFL_SAN_NO_INST=1 ../../Tools/AFLplusplus/afl-clang-fast -DSAN_MODE_ASAN -O2 wrapper_san.c -o wrapper_asan.out

Uso

Después de compilar cuFuzz, invoca el fuzzing con el siguiente comando:

root@kitploit:~
CUFUZZ_MAP_SIZE=65536 AFL_SKIP_CPUFREQ=1 AFL_PRELOAD=/PATH/TO/cufuzz_cov.so \
    ./Tools/AFLplusplus/afl-fuzz -x sample.dict -i input_samples/ -o output_dir/ \
    -t 1000000 ./cuda_app.out @@

Variables de Entorno de cuFuzz

Variables Estándar de AFL++

VariableDescripciónEjemplo
AFL_SKIP_CPUFREQOmite la comprobación de la política de escalado de CPUAFL_SKIP_CPUFREQ=1
AFL_PRELOADRuta a la herramienta de cobertura NVBitAFL_PRELOAD=/path/to/cufuzz_cov.so

Variables de Cobertura de cuFuzz

Variables de Sanitización de cuFuzz

Modos de AFL_SAN_ABSTRACTION

La variable AFL_SAN_ABSTRACTION controla qué entradas se envían a los sanitizadores:

Recomendado: AFL_SAN_ABSTRACTION=simplify_trace (por defecto)

Ejemplos

Modo Básico

En este modo, cuFuzz utiliza la cobertura del lado del dispositivo y ejecuta compute sanitizer en un subconjunto de entradas (entradas con trazas únicas). Este modo aprovecha la funcionalidad SAND de AFL++ para desacoplar la recopilación de cobertura de la sanitización.

root@kitploit:~
cd src/cufuzz_sand

# Build sanitizer wrappers
AFL_SAN_NO_INST=1 ../../Tools/AFLplusplus/afl-clang-fast -O2 wrapper_san.c -o wrapper_memcheck.out 
AFL_SAN_NO_INST=1 ../../Tools/AFLplusplus/afl-clang-fast -DSAN_MODE_INIT -O2 wrapper_san.c -o wrapper_initcheck.out 
AFL_SAN_NO_INST=1 ../../Tools/AFLplusplus/afl-clang-fast -DSAN_MODE_RACE -O2 wrapper_san.c -o wrapper_racecheck.out
AFL_SAN_NO_INST=1 ../../Tools/AFLplusplus/afl-clang-fast -DSAN_MODE_ASAN -O2 wrapper_san.c -o wrapper_asan.out

cd ../../targets/sampleApp/

export PATH=/usr/local/cuda/bin/:$PATH
export GPU_ARCH=sm_86  # Adjust for your GPU

# Build vanilla version (for sanitizer)
nvcc sampleApp.cu -I/usr/local/cuda/include/ -O2 --ptxas-options "-v" \
    --gpu-architecture=$GPU_ARCH -o sampleApp-vanilla.out

# Build instrumented version (for fuzzing)
nvcc sampleApp.cu -I/usr/local/cuda/include/ -O2 --ptxas-options "-v" \
    --gpu-architecture=$GPU_ARCH --compiler-bindir ../../Tools/AFLplusplus/afl-clang-fast++ \
    -o sampleApp.out

# Run cuFuzz
ORIGINAL_APP=./sampleApp-vanilla.out \
SANITIZER_PATH=/usr/local/cuda/bin/compute-sanitizer \
SANITIZER_ARG="--tool=memcheck --report-api-errors=no --error-exitcode 99" \
SANITIZER_ARG_RACE="--tool=racecheck --report-api-errors=no --error-exitcode 99" \
SANITIZER_ARG_INIT="--tool=initcheck --report-api-errors=no --error-exitcode 99" \
CUFUZZ_MAP_SIZE=65536 \
AFL_SKIP_CPUFREQ=1 \
AFL_PRELOAD=../../src/cufuzz_cov_nvbit/cufuzz_cov.so \
../../Tools/AFLplusplus/afl-fuzz -x sample.dict -i in/ -o out/ \
    -w ../../src/cufuzz_sand/wrapper_memcheck.out \
    -w ../../src/cufuzz_sand/wrapper_racecheck.out \
    -w ../../src/cufuzz_sand/wrapper_initcheck.out \
    -t 1000000 ./sampleApp.out @@

Salida de ejemplo del modo sanitizador

Ejecutar sin sanitizadores (no recomendado): Elimina los argumentos -w y las variables SANITIZER_*.

Ejecutar sin cobertura del lado del dispositivo (opcional): Elimina AFL_PRELOAD=...cufuzz_cov.so.

Modo Persistente

En este modo, cuFuzz aprovecha el modo persistente de AFL++, donde se prueban múltiples entradas dentro de un solo proceso. Esto mejora significativamente el rendimiento al amortizar la sobrecarga de inicialización de CUDA.

El modo persistente requiere modificaciones en el código fuente del harness de fuzzing. Consulta la documentación del modo persistente de AFL++ para más detalles.

root@kitploit:~
cd targets/sampleApp/

export PATH=/usr/local/cuda/bin/:$PATH
export GPU_ARCH=sm_86  # Adjust for your GPU

# Build persistent mode binary
nvcc sampleApp_persistent.cu -I/usr/local/cuda/include/ -O2 --ptxas-options "-v" \
    --gpu-architecture=$GPU_ARCH --compiler-bindir ../../Tools/AFLplusplus/afl-clang-fast++ \
    -o sampleApp_persistent.out

# Run cuFuzz in persistent mode
COV_PERSISTENT=1 \
CUFUZZ_MAP_SIZE=65536 \
AFL_SKIP_CPUFREQ=1 \
AFL_PRELOAD=../../src/cufuzz_cov_nvbit/cufuzz_cov.so \
./../../Tools/AFLplusplus/afl-fuzz -x sample.dict -i in/ -o out/ \
    -t 1000000 ./sampleApp_persistent.out @@

Salida de ejemplo del modo persistente

El modo persistente también soporta opciones de sanitizador usando: src/cufuzz_sand/wrapper_persistent_san.c

Solución de Problemas

Problemas Comunes

  1. GPU no detectada: Asegúrate de que los controladores NVIDIA estén instalados y que nvidia-smi funcione
  2. Desajuste de arquitectura: Configura GPU_ARCH para que coincida con la capacidad de cómputo de tu GPU
  3. Fuzzing lento: Habilita el modo persistente para un mejor rendimiento

Contribuciones

¡Agradecemos las contribuciones! Consulta CONTRIBUTING.md para conocer las pautas sobre cómo contribuir, incluyendo:

  • Informar de problemas
  • Enviar pull requests
  • Requisitos del Developer Certificate of Origin (DCO)
  • Pautas de estilo de código

Citación

Si utilizas cuFuzz en tu investigación, por favor cita nuestro artículo de OOPSLA 2026:

root@kitploit:~
@article{cufuzz2026,
  title={Hunting CUDA Bugs at Scale with cuFuzz},
  author={Mohamed Tarek Ibn Ziad and Christos Kozyrakis},
  journal={Proceedings of the ACM on Programming Languages},
  volume={10},
  number={OOPSLA1},
  article={123},
  month={4},
  year={2026},
  doi={10.1145/3798231}
}

Licencia

Este proyecto está licenciado bajo la Apache License 2.0 - consulta el archivo LICENSE para más detalles.

root@kitploit:~
Copyright (c) 2026 NVIDIA CORPORATION & AFFILIATES. All rights reserved.

Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at

http://www.apache.org/licenses/LICENSE-2.0

Componentes de Terceros

Este proyecto utiliza los siguientes componentes de terceros:

ComponenteLicenciaArchivo de Licencia
AFL++Apache License 2.0third-party-licenses/LICENSE_from_aflplusplus
NVBitNVIDIA EULAthird-party-licenses/LICENSE_from_nvbit
Descargar herramienta
CPU
Intel Xeon Platinum 8362 (64 núcleos, 2 hilos/núcleo)
Memoria120 GB+ de RAM recomendados
Almacenamiento50 GB+ de espacio libre para la imagen Docker y las salidas del fuzzing
ComponenteVersión
Ubuntu22.04 LTS
NVIDIA Driver570.144 o compatible
CUDA Toolkit12.9
Docker20.10+ (recomendado)
nvidia-container-toolkitNecesario para el soporte del flag --gpus
clang14
Familia de GPUArquitecturaEjemplos
Ampere (Centro de datos)sm_80A100
Ampere (Consumo/Pro)sm_86A40, RTX 3090, RTX 3060
Hoppersm_90H100
Ada Lovelacesm_89RTX 4090, L40
Turingsm_75RTX 2080, T4
VariableDescripciónEjemplo
CUFUZZ_MAP_SIZETamaño del mapa de cobertura en bytesCUFUZZ_MAP_SIZE=65536
COV_PERSISTENTHabilita el soporte del modo persistente de AFL (0=no, 1=sí)COV_PERSISTENT=1
GPU_ARCHArquitectura de GPU objetivo para las compilacionesGPU_ARCH=sm_86
VariableDescripciónEjemplo
ORIGINAL_APPRuta a la aplicación vanilla (sin instrumentar)ORIGINAL_APP=./cuda_app
SANITIZER_PATHRuta al binario de compute-sanitizerSANITIZER_PATH=/usr/local/cuda/bin/compute-sanitizer
SANITIZER_ARGArgumentos para el sanitizador memcheckSANITIZER_ARG="--tool=memcheck --error-exitcode 99"
SANITIZER_ARG_RACEArgumentos para el sanitizador racecheckSANITIZER_ARG_RACE="--tool=racecheck --error-exitcode 99"
SANITIZER_ARG_INITArgumentos para el sanitizador initcheckSANITIZER_ARG_INIT="--tool=initcheck --error-exitcode 99"
ValorDescripciónSensibilidadRendimiento
all_traceEnviar todas las entradas a los sanitizadoresMáximaEl más lento
simplify_traceEnviar entradas con rutas de ejecución únicasAltaEquilibrado
unique_traceEnviar entradas con firmas de cobertura únicasMediaMás rápido
coverage_increaseEnviar solo entradas que causan aumento de coberturaBajaEl más rápido