密码学技术对于广泛部署的物联网设备的安全性和隐私性非常重要。但是,如果未正确调用密码学API,则可能带来严重的安全风险。密码学误用问题是一种常见的安全问题,例如使用常量的密码学密钥、在对称密码中使用ECB模式、在非对称密码中使用大小不足的密钥等。密码学误用问题在多个平台上非常普遍,根据先前的研究,88%的使用密码学API的安卓应用中有至少存在一个密码学误用,85%的Apache项目中存在密码学误用。为了检测密码学误用问题,先前的工作已经做出了很多努力。但是,这些现有框架在分析多体系结构物联网固件映像时仍然存在一些限制:首先,绝大多数以往工作是平台相关和语言相关,所以无法处理多架构的物联网固件。其次,针对物联网固件分析的以往工作仅有一个,且其会受到准确度和效率问题的困扰,即存在较高的误报率和漏报率,此外,该工作仅支持种类较少的密码学误用分析。在这项工作中,我们提出了一种用于检测物联网固件映像中的密码学误用错误的静态分析框架——CryptoMagnifier。它克服了以往工作的缺点,例如实现了整个检测过程的跨架构分析,准确的反向数据流追踪,灵活的自定义规则检查,动态规则生成以及全面的跨文件分析策略。CryptoMagnifier设计更完善的检测策略,可以有效地减少误报和误报的情况。与以往工作相比,CryptoMagnifier支持16种密码学误用的分析,CryptoMagnifier对来自7个常见的标准密码学库的336个API进行了建模,而以往工作仅支持6种简单的误用并仅包含了165个API模型。CryptoMagnifier涵盖了对称密码、非对称密码、哈希算法和伪随机数生成器,而以往工作仅支持对称密码和伪随机数生成器。为了证明CryptoMagnifier的有效性,我们对来自35个供应商的5,324个固件映像进行了大规模实验。我们在两百多万个引用了密码学库的二进制中,发现了13多万处密码学误用。我们的评估表明,94%的固件映像至少存在一个密码学误用问题。我们对发现的密码学误用进行了归纳,并总结了物联网开发者的常见密码学错误使用习惯。我们首次对已发现密码学误用进行了相似性分析,以识别影响较大的密码学误用漏洞。总共,我们确定了124个影响多个固件的误用和33个影响多个供应商的误用。我们将部分发现的错误报告给相应的供应商,并得到了厂商的确认。例如,影响DrayTek所有固件的硬编码密码学密钥的漏洞。此外,为了促进对物联网安全性的未来研究,我们为公众建立了第一个物联网专用的密码学误用基准测试。它包含74个单元测试用例,涵盖了12种类型的密码学误用。该基准测试涵盖基本情况和复杂情况。并提供源代码和多架构二进制代码。