Skip to content
KitploitKITPLOIT
StrumentiExploitsBlog
Log in
Invia
StrumentiExploitsBlog
Invia

Strumenti di Hacking, PenTest e Cybersecurity per il tuo Arsenale di Sicurezza!

Kitploit è una directory di strumenti di hacking, cybersecurity e pentesting. Scopri gli ultimi aggiornamenti dei progetti per trovare vulnerabilità, analizzare sistemi, automatizzare i test e rafforzare la tua sicurezza.

FeedContattoPrivacy© 2026 Kitploit

Directory degli strumenti

Categorie

Vedi tutte le categorie
Loading categories
silica — Validazione differenziale esaustiva di tutte le 4,3 miliardi di codifiche di istruzioni AArch64. | Kitploit
Strumenti/GitHubGitHub/nathan-luevano/silica
Analisi StaticaAnalisi Dinamica (Sandboxing)Analisi delle VulnerabilitàReverse EngineeringFuzzingUtilità e FrameworkAnalisi di BinariPaper e Ricerca
GitHubnathan-luevano/silica

silica

Validazione differenziale esaustiva di tutte le 4,3 miliardi di codifiche di istruzioni AArch64.

4442 mesi faNon ancora revisionato
Vedi Repository
Sito web
Condividi

SILICA

Un confronto esaustivo delle decisioni di allocazione delle istruzioni A64.

Silica verifica ognuna delle 4.294.967.296 possibili parole di istruzione A64. Confronta se Capstone, LLVM, Unicorn e una tabella compilata dai diagrammi di codifica XML di Arm accettano ciascuna parola.

Rust Python PyPI License: Apache 2.0 Encodings swept


Un decoder e un diagramma di codifica non rispondono esattamente alla stessa domanda. Capstone e LLVM decodificano le istruzioni, Unicorn tenta l'esecuzione, e la tabella derivata dall'XML di Silica corrisponde ai bit fissi nei diagrammi di codifica di Arm. Confrontarli è utile, ma una discrepanza non è automaticamente un bug del decoder.

Le istruzioni A64 sono larghe 32 bit, quindi il confronto dell'allocazione può coprire l'intero spazio di input. I conteggi di validità riportati di seguito sono esaustivi per le versioni e la configurazione fissate. L'analisi del testo delle istruzioni è campionata.

Risultati in sintesi

Questi artefatti utilizzano ISA_A64_xml_A_profile-2026-06_mc e 256 shard che coprono tutte le 2³² parole.

Risultato dell'allocazione derivata dall'XMLConteggioQuota
Corrisponde a un pattern di codifica nell'ambito1.799.435.77641,9%
Non corrisponde ad alcun pattern di codifica nell'ambito2.495.531.52058,1%

Tra le quattro bitmap di validità, 723.801.678 parole hanno almeno una classificazione differente. Questo è il 16,9% dell'intero spazio delle parole. È un conteggio delle discrepanze, non un conteggio di bug confermati.

Accordo a coppie con la bitmap di allocazione derivata dall'XML:

StrumentoAccordo
Capstone84,8%
LLVM87,6%
Unicorn88,3%

Queste percentuali non classificano la correttezza dei decoder. In particolare, la tabella XML compilata non valuta lo pseudocodice delle istruzioni, la disponibilità delle feature, né ogni vincolo in fase di decodifica. Unicorn risponde inoltre tramite esecuzione e trap anziché tramite disassemblaggio. Ogni differenza richiede un'analisi della famiglia di istruzioni e della configurazione prima di poter supportare una segnalazione di bug upstream.

Il testo delle istruzioni è solo diagnostico

Silica ha registrato un campione deterministico di 1.000.000 di parole dalle 1.266.064.016 parole accettate da tutti e quattro i controlli di validità. Gli output non sono simmetrici: Capstone e LLVM restituiscono il testo completo del disassemblaggio, la tabella XML restituisce solo un mnemonico, e Unicorn restituisce il segnaposto <valid>.

Il classificatore attuale riporta:

ClassificazioneRecordQuota
Stesso mnemonico normalizzato, testo completo diverso862.64886,3%
Mnemonico normalizzato diverso137.35213,7%

Il valore dell'86,3% non è un tasso di errore sugli operandi. Nella maggior parte dei record, un'istruzione completa viene confrontata con un riferimento composto dal solo mnemonico. Anche la gestione degli alias rimane conservativa quando una condizione di alias XML non può essere dimostrata dal testo renderizzato. Questi record sono spunti per l'analisi, non risultati sulla correttezza dei decoder.

Cosa significano i dieci esempi

I file in artifacts/reproducers sono dieci record distinti selezionati dai primi cinque shard di discrepanza idonei. La selezione privilegia le categorie di testo e limita le coppie ripetute (category, spec mnemonic). Tutti e dieci i file attuali confrontano Capstone con il mnemonico derivato dall'XML.

Essi dimostrano che i record esistono nel corpus generato e possono essere riprodotti da una singola parola di istruzione. Non sono stati giudicati in modo indipendente come dieci bug di Capstone, e non costituiscono prova che LLVM e Unicorn concordino sull'istruzione renderizzata. Tre sono esplicitamente contrassegnati come NORMALIZATION_UNCERTAIN. Il generatore e il verificatore sono g6_reproducers.py e verify/g6_reproducers.py.

Esplorare i risultati

La scansione produce un ampio dataset. silica-scope è il suo lettore da terminale. Apre una directory di artefatti Silica, mostra le metriche e la mappa a 256 shard, filtra i record di disaccordo e cerca singole parole. Può anche aprire i dieci record di esempio con le loro limitazioni dichiarate.

Installalo da PyPI con Python 3.11 o superiore:

pipx install silica-scope

Poi eseguilo da un checkout di Silica o puntalo a una directory di artefatti:

silica-scope
silica-scope /path/to/silica/artifacts
silica-scope --report

silica-scope è un lettore in puro Python. Non esegue la scansione né richiede le librerie native del decoder. Consulta la guida del lettore da terminale per i controlli da tastiera e la scoperta degli artefatti.

Come funziona

flowchart LR
    XML["Arm XML encoding diagrams"] --> SPEC["compiled allocation matcher"]
    SPEC --> SWEEP["parallel 32-bit sweep"]
    CAP["Capstone"] --> SWEEP
    LLVM["LLVM"] --> SWEEP
    UNI["Unicorn"] --> SWEEP
    SWEEP --> MAP["validity bitmaps"]
    MAP --> DIFF["exhaustive XOR comparison"]
    DIFF --> CORPUS["classified disagreement corpus"]
    CORPUS --> OUT["metrics · examples · result hash"]

Il percorso ad alto volume è scritto in Rust e richiama ciascun decoder in-process. Memorizza un bit per codifica per oracle, il che mantiene compatta la comparazione esaustiva e rende la discrepanza una diretta operazione su bitmap. I crash vengono bisezionati fino alla parola di istruzione esatta.

Python gestisce la compilazione XML, la normalizzazione, il reporting e la verifica. Gli schemi degli artefatti e le regole di campionamento sono documentati in docs/formats.md. La fonte di ciascun valore principale è:

AffermazioneArtefattoRicalcolato da
Conteggio allocazioni XMLartifacts/g1_metrics.jsonG1
Differenze di validità esaustivequattro bitmap di validitàG2 e G5
Conteggi delle categorie del campioneartifacts/g4_metrics.jsonG4
Percentuali di accordo a coppieartifacts/report/metrics.jsonG5
Dieci record di esempio selezionatiartifacts/reproducers/*.mdG6
Digest dell'artefatto pubblicatoartifacts/result_hash.txtG7

Riprodurre il lavoro

Creare l'ambiente bloccato e verificare che gli input locali richiesti siano disponibili:

micromamba create -y -p ./.venv -f environment.yml
micromamba run -p ./.venv silica doctor

La specifica XML di Arm non è inclusa nel repository a causa della sua licenza. silica doctor segnala dove Silica si aspetta di trovarla e qualsiasi altro prerequisito mancante.

Gli artefatti versionati possono essere ispezionati senza rieseguire la scansione:

silica-scope artifacts
Scarica lo strumento

Più Popolari

Vedi tutti →

Scopri gli strumenti più utilizzati dalla nostra community.

Nessun dato di popolarità ancora.

Esplora tutti gli strumenti

Sfoglia la nostra collezione di strumenti

Vedi tutti gli strumenti →