fuzzing-dictionary

fuzzing-dictionary 技能概览

fuzzing-dictionary 技能可以帮助你构建和使用 fuzzing dictionary：也就是经过筛选的 token、magic value 和协议字符串，用来引导 fuzzer 进入更深层的解析器、协议或文件格式代码。如果你正在使用 libFuzzer、AFL++ 或 cargo-fuzz，而纯靠随机变异已经卡住，fuzzing-dictionary 技能就能在不重写 fuzz target 的前提下，提供一种实用的覆盖率提升方式。

这个技能最适合那些 target 已经能跑起来，但需要更深入触达校验逻辑的人。尤其适用于输入里包含保留关键字、结构化头部、命令动词或特定格式常量，而随机 fuzzing 又很难碰到这些内容的场景。

fuzzing-dictionary 解决什么问题

它的核心任务，是把“我的 fuzzer 卡住了”转化为一种更有引导性的输入策略。一个好的 fuzzing dictionary 可以帮助绕过早期拒绝，解锁有状态解析分支，并暴露那些只有在出现几个看起来有效的 token 之后才会出现的边界情况。

fuzzing-dictionary 最适合用在什么地方

当你在 fuzz 具有可识别 token 的解析器、协议处理器或文件读取器时，优先使用 fuzzing-dictionary。它特别适合输入结构比原始字节混乱更重要的场景；而对于纯算术、图像变换，或没有 token 词汇表的重逻辑代码，它就没那么合适。

fuzzing-dictionary 的不同之处

fuzzing-dictionary 技能并不只是“多加一些字符串”。它关注的是挑选符合目标验证和解析规则的 token，再把它们整理成你的 fuzzer 真能消费的格式。也正因为如此，当你需要的是一个能直接用的 dictionary，而不是只有“看起来合理”的内容时，它会比通用提示词更有价值。

如何使用 fuzzing-dictionary 技能

安装并找到源文件

先走目录安装流程：npx skills add trailofbits/skills --skill fuzzing-dictionary。安装完成后，先从 SKILL.md 开始，再阅读同一个 skill 文件夹里的任何关联材料。在这个 repo 里，这个 skill 是自包含的，所以主要源文件就是 skill 文件本身。

把你的目标整理成可用提示

fuzzing-dictionary usage 的效果最好，是在你提供了 target 的领域、输入格式和失败模式之后。比如，不要只说“给我的 app 做一个 fuzzing dictionary”，而是要明确提供：

• 解析器或协议名称
• 示例输入或语法线索
• 已知的关键字、头部、magic bytes 或分隔符
• 你使用的 fuzzer 以及它对 dictionary 格式的要求
• 哪些地方覆盖不到，或者校验在哪一步失败

一个有力的提示可以写成这样：“为一个类似 DNS 的协议解析器创建 fuzzing-dictionary。包含常见记录类型、分隔符和控制 token，并按 AFL++ 的格式输出。”

按正确顺序阅读技能内容

对这个 repository 来说，最有用的阅读路径是：

1. SKILL.md：工作流和适用性规则
2. 任何关于 dictionary 条目和 token 分类的内联示例
3. “When to Apply” 指导，避免把这个技能用在没有收益的 target 上

实用使用建议

条目要短、看起来合理，并且尽量贴近领域本身。如果目标已知会在早期拒绝输入，就把明显 token 和少量边界值或畸形变体混在一起。若第一版 dictionary 过于泛泛，就围绕 target 在失败前实际走到的解析检查点继续细化。

fuzzing-dictionary 技能常见问题

fuzzing-dictionary 只适合 fuzzing 专家吗？

不是。fuzzing-dictionary 技能对初学者也同样可用，只要你已经知道自己在 fuzz 什么，并且能提供示例输入即可。你不需要很懂 fuzzer 内部机制，但需要足够的上下文来描述目标的 token 词汇。

什么时候不该用这个技能？

如果 target 没有有意义的输入 token、如果不加引导覆盖率已经足够好、或者瓶颈在 harness 设计而不是输入质量，就跳过 fuzzing-dictionary。dictionary 不能修复坏掉的 fuzz target，也不能解决 crash-only bug，或者因为缺少 corpus seed 导致的问题。

它和普通提示词有什么不同？

普通提示词往往只会生成一份泛泛的 token 列表。fuzzing-dictionary 技能更有用，是因为它围绕可安装的工作流、与 fuzzer 兼容的格式，以及 dictionary 真正能提升覆盖率的具体条件来设计。这让它在 fuzzing-dictionary install 决策和重复使用上都更可靠。

它适用于所有 fuzzer 吗？

它适用于主流、对 dictionary 友好的生态，尤其是 libFuzzer、AFL++ 和 cargo-fuzz。如果你的工具链使用的是不同的输入机制，你仍然可以借鉴 token 选择逻辑，但在使用前要先确认所需的 dictionary 语法。

如何改进 fuzzing-dictionary 技能

提供更有价值的 target 证据

最好的 fuzzing-dictionary guide 输入，是来自 target 的真实 token：协议动词、枚举名、字段标签、magic number 或保留关键字。哪怕只有一个小型样本语料库，或者几个失败输入，也比对项目的模糊描述更能改善 token 选择。

按用途来要求 token

在使用 fuzzing-dictionary for Code Generation 时，最好把 token 按角色拆开：必需关键字、可选修饰符、边界值和畸形变体。这样输出才能同时覆盖有效解析路径和接近有效的边界情况，而不是只给出一份扁平的字符串列表。

注意常见失败模式

最常见的问题包括：dictionary 过于宽泛、条目与目标语法不匹配、token 太长而无法有效参与变异。如果第一次结果看起来很泛，就把范围收窄到一个解析器、一个协议命令集或一个文件格式部分，然后重新生成。

第一次运行后继续迭代

先跑一轮 fuzzing，看看哪些 token 真的提高了覆盖率，或者是否触达了新的状态。然后删掉无效条目，从 trace 或日志里补上漏掉的关键字，再生成一个更小、更精确的 fuzzing-dictionary，而不是无止境地把它越做越大。