1.拷贝数变异CNV的变异变异生物信息学分析（二）
2.黑盒测试的方法有哪些
3.渗透工具：蚁剑(AntSword)教学
4.snippy calling snps 群体snp分析
5.探索｜模糊测试 Fuzzing Test
6.AFL--模糊测试使用浅析

拷贝数变异CNV的生物信息学分析（二）

       Control-FREEC是一种用于检测拷贝数变异和等位基因不平衡的生物信息学工具，最初由巴黎居里研究所生物信息学实验室开发。测试测试它适用于全基因组测序、源码源码全外显子测序和目标区域捕获测序。变异变异分析全基因组数据时，测试测试无需对照样本；而进行全外显子组或靶向测序时，源码源码桌球源码必须提供对照样本。变异变异Control-FREEC能够自动计算、测试测试归一化、源码源码片段拷贝数和等位基因频率（BAF），变异变异并根据这些信息呼叫拷贝数变异和等位基因丢失（LOH）。测试测试全基因组测序数据分析时，源码源码程序还可能利用GEM创建的变异变异映射性数据。CNA检测输入格式包括对齐的测试测试单端、成对或配对数据的源码源码SAM、BAM、SAMtools堆格式，且支持.gz压缩文件。CNA+LOH检测输入有两选项：提供SAMtools堆格式的对齐读取文件，文件可通过gzip压缩；或提供BAM文件与“makePileup”和“fastfile”选项，用于识别增益、损失和LOH区域、归一化拷贝数和BAF。

       输出文件包括：扩增、缺失和LOH区域、归一化拷贝数和BAF文件。Control-FREEC提供了一系列使用指南，包括安装、测试数据、配置文件创建、输出文件阅读、R脚本计算预测显著性、输出可视化、格式转换以及生成GC含量概览等。软件包含三个子目录：data目录保存配置文件模板，包含WGS和WES模板；script目录包含常用脚本；src目录为软件源代码，其中freec可执行文件位于src目录下。

       为了使用Control-FREEC，需要下载并安装miniconda，然后在新建的conda环境中进行安装。在新建的freec文件目录中，有三个主要目录：data目录用于配置文件模板，scripts目录包含常用脚本，src目录包含源代码和freec可执行文件。在使用Control-FREEC之前，需要先安装R、samtools、bedtools和sambamba等软件，或通过conda安装。安卓 源码加密mappability跟踪文件可用于增加映射信息。此外，如果数据覆盖度高且希望检测等位基因状态，则需要下载SNP文件并将其转换为pileup格式。

       最后，下载示例数据集以进行测试。例如，可以从指定网址获取HCC和HCC-BL的数据，或获取用于测试LOH预测的未公开的肿瘤染色体数据。

黑盒测试的方法有哪些

       1. 等价类划分：将输入数据的集合划分为若干个等价类，从每个等价类中选取代表性的数据作为测试用例。

       2. 边界值分析法：对输入数据的边界值进行测试，包括合法的边界值和非法的边界值。

       3. 猜错法：基于经验和直觉，猜测程序中可能存在的错误，并设计测试用例进行验证。

       4. 随机数法：使用随机数生成器产生测试用例，对程序进行随机测试。

       5. 因果图：通过分析程序的输入输出关系，构建因果图，并从中生成测试用例。

       6. 代码检查法：通过人工或自动化工具对源代码进行检查，寻找潜在的错误。

       7. 程序变异：通过修改程序的某些部分，生成变异后的程序，以检验程序的健壮性。

       8. 静态结构分析法：分析程序的结构，如控制流、数据流等，以发现潜在的问题。

       9. 静态质量度量：通过分析程序的代码质量，如复杂度、耦合度等，评估程序的质量。

       . 符号测试法：通过测试程序对符号操作的正确性，如比较操作符的符号是否正确。

       . 逻辑覆盖法：通过设计测试用例，使得程序中的每一条逻辑路径都被执行至少一次。

       . 域测试：对程序的输入域进行测试，确保程序对所有输入都能正确处理。

       . Z路径覆盖：基于程序的Z图，设计测试用例，以确保所有可能的执行路径都被覆盖。

       . 基本路径测试法：通过分析程序的控制流，确定程序的基本路径，并设计测试用例进行测试。

       . 白盒测试：通过打开程序的盒子，检查其内部逻辑结构，聚合外卖配送源码设计测试用例，以确保所有逻辑路径都被测试。

       . 功能测试：从用户的角度出发，测试程序的功能是否按照需求规格说明书正常使用。

       . 界面和功能测试：主要针对软件的界面和功能进行测试，不考虑程序的内部逻辑结构。

渗透工具：蚁剑(AntSword)教学

       蚁剑(AntSword)是一款面向合法授权的渗透测试安全人员及网站管理员的开源跨平台WebShell管理工具。其遵循模块化开发思想和开源原则，提供易于理解、操作简便的代码和修改指南，旨在让使用者感受到人性化的、最适合自己的工具体验。

       安装蚁剑分为加载器和核心模块两部分。加载器能够自动下载核心源码，源码地址可从其Github或Gitee获取。下载并解压加载器和源码至磁盘后，进入加载器目录，启动加载器，点击初始化并选择源码目录，随后选择文件夹等待初始化完成。初始化完成后，即可使用。

       使用蚁剑需在Web环境中运行。为搭建测试环境，推荐使用PHPStudy。在浏览器中访问PHPStudy，如遇错误，这是正常情况，个人可能已取消默认页面。

       制作WebShell，蚁剑提供了官方脚本，这些脚本经过不同程度的“变异”，后续教程将详细讲解。这里使用经典的PHP一句话木马，将木马放置在站点目录下，开启浏览器访问，若返回空白并查看数据包，响应码为，说明脚本运行正常。

       连接WebShell，使用蚁剑添加数据，输入连接信息并测试。测试通过后，点击添加。通过右键查看功能菜单，点击虚拟终端执行dir命令，回到主菜单后选择文件管理，双击shell.php查看内容，歌曲管理系统源码注意关闭位置。

       总结演示了使用蚁剑连接WebShell及虚拟终端、文件管理功能，希望每位用户都能连接属于自己的专属shell。

snippy calling snps 群体snp分析

       Snippy 是一个用于快速单倍体变体调用和核心基因组比对的工具。它能在单倍体参考基因组和您的NGS序列读数之间发现SNP，包括替换（snps）和插入/删除（indels）。Snippy 会尽可能使用更多的CPU，因为它可以在一台计算机上使用多达个内核。它的设计注重速度，并在一个文件夹中生成一组一致的输出文件。此外，它可以使用相同的参考获取一组Snippy结果，并生成核心SNP比对，最终生成系统发育树。

       安装 Snippy 时，推荐使用 conda 进行依赖安装。源码安装时可能会因为共享库文件不匹配的问题导致snippy自带的一些第三方软件无法使用，如samtools、bcftools、freebayes等。在检查所有依赖项是否已安装并正常工作之前，请注意，由于snippy最新一次更新是//，其他软件或已更新。目前已知使用的snpeff版本不能是最新版（v5.1），需要上一个版本：snippy=4.6.0和snpeff=5.0兼容（测试时间//）。如遇执行问题，可检查依赖软件版本问题，此处列出snippy=4.6.0版本的依赖软件版本。

       Snippy 可以使用双端测序的reads数据，对于没有reads的细菌菌株，可以使用基因组文件或contigs.fa 文件。其原理是模拟二代测序将基因组文件拆分成生成reads的fq文件用于比对。需要注意的是，作为输入的FASTA文件夹不能存在带文件夹的相对路径，必须在当前目录。例如，/its1/GB_BT2/yzhishuang/data/tem/snippy/Yb2_genomic.fna 或者 Yb2_genomic.fna 可以，但是./Yb2_genomic.fna不行（经测试这个问题仅出现在集群服务器运行时，普通linux系统不存在此问题）。

       输出文件支持TAB、CSV、HTML格式的列。如果提供Genbank文件--reference而不是FASTA文件，Snippy将使用基因组注释填写这些额外的列，以告诉您哪个功能受到变体的影响。详细查看变体可查看 snippy-vcf_report。报课网站源码如果您使用该--report选项运行Snippy，它将自动运行 snippy-vcf_report 并为每个SNP生成包含以下内容的部分snps.vcf。如果希望在运行Snippy 后生成此报告，可以直接运行它。如果要在Web浏览器中查看HTML版本，请使用以下--html选项。它适用samtools tview于每个变体的运行，如果您有个变体，这可能会非常慢。使用--cpus建议尽可能高。

       Snippy 可以产生“核心SNP”的比对，可用于构建高分辨率的系统发育（忽略可能的重组）。核心位点是存在于所有样品中的基因组位置，可以是单态或多态。如果我们忽略“ins”，“del”变种类型的并发症，并且只使用变异位点，则这些是“核心SNP基因组”。为了简化针对相同引用的一组隔离序列（reads或contigs）的运行，可以使用 snippy-multi 脚本。此脚本需要一个制表符分隔的输入文件，可以处理双端测序reads，单端reads和组装的contigs。然后就可以运行它来生成输出脚本。第一个参数应该是input.tab文件。其余参数应为任何剩余的共享snippy参数。在ID将用于每个分离的--outdir。命令：它还将snippy-core在最后运行以生成核心基因组SNP比对文件core.*。

       Snippy 不能直接用于群体snp calling 分析，但是利用snippy-multi多菌株snp calling 基于生成的bam文件可以一步分析得到群体合并在一个vcf 文件里面的变异信息，用于下游的分析。重要步骤：使用freebayes-parallel并行freebayes 从全部个体的bam文件中分析变异信息。一个运行脚本全文：

探索｜模糊测试 Fuzzing Test

       探索模糊测试的奥秘：Fuzzing Test详解

       Fuzzing Test，一种用于软件缺陷检测的自动化测试技术，通过向程序提供随机输入，查找可能导致程序崩溃的场景。它是一种黑盒测试方法，无需源代码，有助于发现关键缺陷，降低代码评审成本。但并非万能，具有其优缺点。

       Fuzzers主要分为两种：Dumb Fuzzers提供随机输入，如网络协议数据或用户输入，能快速生成结果，但可能错过特定输入场景引发的问题。Smart Fuzzers则结合输入规则，如协议定义，以构建更精确的输入，针对特定格式进行模糊处理。

       Fuzzers的类型包括基于变异的和基于生成的。前者如流量回放和代理，能利用已有的样本或模拟网络通信；后者如生成Fuzzer，能构建输入结构并随机改变部分，确保结构完整性。

       进化型Fuzzing Test利用反馈优化测试用例，逐步覆盖更多代码。在测试过程中，Fuzzer需确定输入的有效性，避免如TCP/IP数据包损坏或OCR程序的图像解析测试误入歧途。

       有效执行Fuzzing Test需要生成或变异测试用例，记录可重复的崩溃场景，并确保与目标程序的顺畅对接。崩溃检测是关键，可通过超时或崩溃跟踪工具来实现。质量可通过速度、测试用例分类和代码覆盖率来衡量和提升。

       众多Fuzzing框架如Radamsa、Sulley、Peach和AFL等可以帮助简化测试过程，为测试工程师提供高效工具。不断学习和实践，才能在软件质量保障中发挥模糊测试的强大作用。

AFL--模糊测试使用浅析

       AFL，全称American Fuzzy Lop，是由安全研究员Micha Zalewski开发的一款强大的模糊测试工具。它基于覆盖引导，通过记录输入样本的代码覆盖率，动态调整输入以提升覆盖率，从而提高发现漏洞的可能性。

       AFL的工作流程包括：首先，它会在编译程序时插入代码覆盖率跟踪代码；接着，初始化一个输入队列，包含一些测试文件；然后，对队列中的文件进行变异处理，如果变异后的文件覆盖了新的代码，就加入队列继续测试；过程中，若程序崩溃，会记录下来。目标是持续优化测试用例，直到发现潜在的漏洞。

       安装和使用AFL涉及下载源码、编译安装、利用afl-gcc或afl-clang编译测试文件，可能需要修改系统设置如core_pattern。并行测试时，可以根据可用内核数量同时运行多个实例。例如，四个内核可以并发运行四个fuzz实例。

       在模糊测试libjpeg-turbo时，首先编译并安装libjpeg-turbo，需注意动态链接库是否已插桩。通过测试示例验证安装，如果动态链接库未插桩，可以尝试静态链接。通过1亿次以上的模糊测试，验证了libjpeg-turbo的安全性提升。

       此外，AFL还支持内存错误检查工具，如ASAN，通过结合使用可以检测和分析内存安全问题。AFL字典库用于变异操作，自定义字典则需分析目标程序的特性。对于语料库，AFL提供了afl-cmin用于精简覆盖范围相同的测试用例，而afl-tmin则处理单个文件的优化。

       在持久模式下，AFL针对特定功能进行模糊测试，速度上优于全程序模糊。AFL-cov则用于处理代码覆盖率数据，结合lcov和gcov生成覆盖率报告。afl_postprocess则用于定制生成的种子文件格式。

       总的来说，AFL作为一款实用的模糊测试工具，通过一系列的优化和定制功能，为软件安全测试提供了强大的支持。

模糊测试工具 AFL的原理与实践

       在软件开发领域，确保质量和安全是关键。模糊测试作为高效自动化测试策略，专门用于检测程序中的错误和安全漏洞。本文旨在详细介绍AFL（American Fuzzy Lop）的基本原理和实践方法。

       模糊测试原理介绍

       AFL是一种通过输入异常或随机数据来自动化发现程序错误的测试方法。它利用遗传算法不断生成测试用例，并通过动态插桩技术监控程序行为，尤其关注代码覆盖情况。当新输入引发新代码路径时，该输入会被保存以进一步测试。这一循环不断优化测试用例，探索更多程序状态。

       AFL流程图展示了从准备测试用例到监控程序行为的核心步骤，突出其动态性和迭代性。

       AFL采用fork运行模式，这使得程序崩溃时，测试进程不会终止，相较于LibFuzzer更具有优势。然而，频繁的fork操作也意味着效率不如LibFuzzer。

       AFL安装与运行

       AFL主要针对UNIX-like系统，尤其在Linux上表现最佳。Windows用户可通过winafl进行模糊测试，支持多种CPU架构，其中对x和x架构支持最好。若需ARM架构支持，则需使用QEMU模式。

       安装步骤包括源码编译，使用afl-fuzz命令启动测试，命令格式如下：

       命令中的/path/to/program替换为目标程序路径，[options]为程序运行选项或参数。若测试程序需从文件读取输入，可使用@@占位符。AFL将根据测试需求替换此占位符。

       AFL使用示例

       下面是一个简单示例，演示如何使用AFL进行模糊测试。目标程序实现四则运算，使用不安全的gets函数可能导致缓冲区溢出。

       首先，对源码进行AFL编译，添加代码覆盖插桩。接着，准备初始语料库作为测试起点，无论输入是文件还是stdin，AFL都需要初始数据。在运行AFL前设置系统核心转储文件命名规则，便于检测程序崩溃情况。运行测试时，根据程序输入来源选择是否使用@@占位符。

       运行后，AFL界面显示测试结果，包括找到的崩溃和覆盖率信息。结果通过pythia工具分析。输出目录结构清晰，便于后续分析。

       AFL的QEMU模式

       对于已编译的二进制文件，AFL可通过QEMU模式进行模糊测试，无需源码。QEMU模式使用用户模式仿真运行二进制文件，支持对闭源应用的模糊测试。

       QEMU模式安装与使用步骤包括编译QEMU支持和执行AFL-fuzz命令时添加-Q参数。

       AFL++升级版

       AFL++作为AFL的增强版，改进了调度策略和变异算法，新增CMPLOG和持久化等特性，提高代码覆盖率和测试效率。

       CMPLOG功能记录比较操作参数，帮助理解输入逻辑，提高路径覆盖。持久化模式允许程序在单个进程周期内多次执行测试用例，减少启动成本，加快测试速度。

       总结

       AFL是一款功能强大的模糊测试工具，适用于多种架构和系统环境。尽管存在覆盖率瓶颈，但结合其他技术如符号执行，可有效突破限制，提升测试能力。

Fuzz测试：提升自动驾驶安全性

       在汽车制造业的发展历程中，技术创新作为支撑，对世界经济、社会发展及人们的生产生活方式产生了深远影响。从福特公司的T型车生产流水线到本田雅阁汽车的车载导航系统，再到现在的泊车辅助系统，汽车产业在技术层面持续革新。然而，随着新技术的加速落地，安全漏洞问题也随之显现。通过物联网实现网络连接的汽车，正面临着与手机、笔记本电脑相似的网络安全威胁。

       Fuzz测试，作为解决汽车安全问题的简单有效方法，提供了必要的预防措施。Fuzz测试，亦称模糊测试，是一种自动化软件测试技术，其核心是将自动或半自动生成的随机数据输入到被测设备中，监测异常情况以发现潜在错误。Fuzz测试可应用于白盒、灰盒或黑盒测试，通过变异测试（mutation-based）或生成测试（generation-based）工具，发现先前未能发现的漏洞，包括零日漏洞。

       自动驾驶的出现，将汽车技术推向了新的高度。车联网这一概念，作为IoT（Internet of Things）的一种，为汽车带来了便利与快捷，同时也成为了黑客攻击汽车控制系统的主要渠道。黑客通过网络威胁，对车辆进行攻击，可能导致严重的安全漏洞。根据Upstream Security发布的《年全球汽车网络安全报告》，预计在未来几年内，网络黑客攻击可能导致汽车业损失近亿美元。这表明汽车生态中的网络威胁对道路使用者的安全构成严重威胁。

       由于自动驾驶尚未广泛普及，汽车制造商通常在既定的平台标准上开发自己的安全协议，导致相对应的安全漏洞未得到充分研究与记录。美国国家标准与技术研究所（National Institute of Standards and Technology，NIST）在自动驾驶汽车系统和组件的漏洞检测（Common Vulnerabilities & Exposures，CVE）数据库中记录的问题数量虽然较少，但特斯拉等涉及智能驾驶的汽车事故频发，凸显了自动驾驶安全问题的紧迫性。

       Fuzz测试在自动驾驶和车联网领域发挥着关键作用。通过模拟攻击场景，Fuzz测试能够确保每辆自动驾驶汽车具备抵御试图破坏程序、绕过登录进行远程操作的攻击者的攻击能力。Fuzz测试的几种方法包括基于变异、基于重放和基于语法生成。每种方法都有其优势，能够对通信特定部分进行测试，确保所有数据包不会立即被被测设备阻塞，避免产生序列错误。

       Fuzz测试不仅是一种有效的测试方案，也是解决汽车自动驾驶安全问题的关键工具。它不依赖于被测设备的信息和源代码，能够对整个堆栈进行黑盒化处理，从而在开发阶段和预发布阶段发现潜在漏洞。Fuzz测试的优势在于能够通过需要串行连接的协议进行通信，为没有TCP/IP通信的产品提供强大的测试支持。

       综上所述，Fuzz测试是提升自动驾驶安全性的有效途径。通过使用Fuzz测试，开发者能够重现安全攻击、理解协议结构，并据此判断哪些部分更容易受到攻击，从而采取更有效的解决措施。当前阶段，Fuzz测试无疑是解决汽车自动驾驶安全问题必要且有效的测试方案。