Mole

Mole 是一个 Binary Ninja 插件，旨在识别二进制文件中的有趣的执行路径。它使用 Binary Ninja 的 Medium Level Intermediate Language (MLIL) 的 Static Single Assignment (SSA) 形式对变量执行逆向切片，为静态污点分析奠定基础。

在 Mole 中，路径是指数据在定义的源(source)与汇(sink)之间的流动。什么构成“有趣”的路径取决于分析目标。例如，在搜索漏洞时，可能会查找不受信任的输入（源）影响敏感操作（汇）且可能造成危险的路径。

以下列表突出显示了 Mole 当前的一些特性：

• 操作模式：Mole 可以在 Binary Ninja 的用户界面内运行，也可以在无头(headless)模式下运行。无头模式对于跨大量二进制文件的脚本化分析特别有用。相反，在用户界面中使用 Mole 则非常适合深入检查检测到的路径。

• 路径识别：

  • 配置：Mole 允许用户通过 Binary Ninja 的用户界面或配置文件（见 使用）定义源函数和汇函数。这提供了根据具体使用场景灵活选择源和汇的灵活性。
  • 探索：为了更好地理解路径并检查其特征，可以打印路径上的所有指令，并在 Binary Ninja 中高亮显示。此外，还可以并排比较两条路径，以快速识别差异。与指令类似，路径的函数调用序列可以打印或可视化为图形。
  • 分组：为便于识别相似路径，Mole 支持多种分组策略。目前，路径可以根据匹配的源和汇函数进行分组，或根据相同的调用序列进行分组。可以轻松添加新的自定义分组策略来扩展和定制此功能（见 自定义）。
  • 持久化：已发现的路径可以添加注释以便清晰理解，也可以标记为无关后移除。为保存分析进度，路径可以直接保存到目标二进制文件的数据库（Binary Ninja 的 .bndb 格式）中。路径也可以导出，例如，在对文件系统上的许多二进制文件进行无头分析时，可以将识别出的路径导出，以便稍后在 Binary Ninja 中导入并更方便地探索。

• 利用 AI 进行路径分析：Mole 可以通过 OpenAI API 与本地或远程的大型语言模型 (LLMs) 交互（见 使用）。这些模型用于分析已识别的路径，并推断给定路径是否对应一个可利用的漏洞。LLM 会尝试对漏洞进行分类并指定严重性级别，这有助于分析师确定哪些路径值得进一步调查。Mole 提供了一套基本的工具，供 LLM 用来请求有关所分析二进制文件的更多信息。

• 跨过程变量切片：Mole 支持跨函数边界对 MLIL 变量进行切片——这是一项具有多重挑战的任务。例如，静态确定函数的有效调用者通常很困难甚至不可能。因此，所实现的方法是一种近似。虽然不完美，但在广泛的实用场景中表现相当不错。

• 基础指针分析：Mole 当前实现了一种简化的策略来跟踪指针的使用。与跨过程切片一样，这种方法是一种简化，存在固有局限（例如，无法跟踪全局变量）。尽管如此，它在许多实际情况下表现良好，并计划在未来的版本中加以改进。

使用示例

观看 Mole 实际展示 CVE-2021-4045 的演示，这是一个 TP-Link Tapo C200 IP 摄像头中的未授权命令注入漏洞（点击下方图片在 YouTube 上观看）：

文档

1. 安装
2. 使用
3. 自定义

贡献或分享经验

Mole 目前是一个正在进行中的项目。如果您遇到错误、有有用的新单元测试可以突出误报或漏报，或者有新功能的建议，请考虑提交 issue 或通过 pull request 贡献。另请注意，目前的 单元测试 仅在 linux-x86_64 和 linux-armv7 二进制文件上经过验证。

如果您有一个有趣的成功故事——例如借助 Mole 发现了漏洞——我们很乐意倾听！欢迎与我们分享您的经验。

贡献者

• Damian Pfammatter, Cyber-Defence Campus (armasuisse S+T)
• Daniel Hulliger, Cyber-Defence Campus (armasuisse S+T)
• Sergio Paganoni