S$^2$F: Principled Hybrid Testing With Fuzzing, Symbolic Execution, and Sampling
College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院）；National University of Defense Technology（国防科技大学）
S$^2$F通过结合模糊测试、符号执行和采样，提升混合测试效率，发现更多崩溃。
2026-01-15 cs.SE
Muffin: Testing Deep Learning Libraries via Neural Architecture Fuzzing
深度学习（DL）技术在许多具有挑战性的任务中被证明是有效的，并在实践中被广泛采用。然而，以前的工作表明，DL库，构建和执行DL模型的基础，包含错误，并可能导致严重的后果。不幸的是，现有的测试方法仍然不能全面地测试DL库。它们利用现有的训练模型，只在模型推理阶段检测错误。在这项工作中，我们提出松饼来解决这些问题。为此，Muffin应用了一种专门设计的模型模糊方法，该方法允许它生成不同的DL模型来探索目标库，而不是仅依赖于现有的训练模型。Muffin通过定制一组度量标准来测量不同DL库之间的不一致性，从而在模型训练阶段实现了差异测试。通过这种方式，Muffin可以最好地运用库代码来检测更多的bug。为了评估Muffin的有效性，我们对三个广泛使用的DL库进行了实验。结果表明，Muffin可以在流行的DL库的最新版本中检测到39个新错误，包括Tensorflow，CNTK和Theano。
2022-05-09 cs.SE
MOTIF: A tool for Mutation Testing with Fuzzing
MOTIF利用灰盒模糊测试生成C语言单元测试用例，克服了符号执行的局限性，能有效检测变异体中的注入故障，在安全关键CPS软件测试中表现更优。
2024-06-04 cs.SE
Testing Deep Learning Library APIs via Cross-Framework Differential Fuzzing
The University of Queensland（昆士兰大学）
本文提出跨框架差分模糊测试方法Xamt，用于测试7个深度学习库的API，构建676个经验证的API组，识别出72个差异案例，其中25份已被开发者确认并修复。
2026-10-30 cs.SE
Vulseye: Detect Smart Contract Vulnerabilities via Stateful Directed Graybox Fuzzing
针对现有智能合约模糊测试工具状态反馈不足、测试资源浪费的问题，提出以漏洞为导向的有向状态灰盒模糊测试工具Vulseye，通过代码与状态双目标引导及新型适应度度量提升测试的有效性与效率。
2024-08-19 cs.SE
Context-Aware Fuzzing for Robustness Enhancement of Deep Learning Models
针对深度学习模型鲁棒性增强，提出基于上下文置信度指标的模糊测试技术Clover，通过考虑周围样本和种子间差异生成对抗样本，以提升测试-重训练流水线的有效性。
2024-07-17 cs.SE
Smart Fuzzing of 5G Wireless Software Implementation
本文结合AFL++模糊测试与大语言模型自动解读参数，提升OAI5G开源5G软件框架的安全性、可靠性和可理解性。
2023-09-22 cs.SE
CoCoFuzzing: Testing Neural Code Models with Coverage-Guided Fuzzing
基于深度学习的代码处理模型在预测方法名称、总结程序和注释生成等任务上表现出了良好的性能。然而，尽管取得了巨大的进步，但深度学习模型往往容易受到对抗攻击，这可能会导致这些模型对意外输入的错误分类，从而严重威胁到这些模型的鲁棒性和可推广性。为了解决上述问题，已经提出了许多深度学习测试方法，然而，这些方法主要集中在测试图像、音频和文本分析等领域中的深度学习应用，由于程序的独特性质，其不能直接应用于神经模型以用于代码。在本文中，我们提出了一个基于覆盖率的模糊框架CoCoFuzzing，用于测试基于深度学习的代码处理模型。特别是，我们首先提出了十个变异算子自动生成有效的和语义保持源代码的例子作为测试，然后我们提出了一个基于神经元覆盖的方法来指导测试的生成。我们研究了CoCoFuzzing在三种最先进的神经代码模型上的性能，即，NeuralCodeSum、CODE2SEQ和CODE2VEC。我们的实验结果表明，CoCoFuzzing可以生成有效的和语义保留的源代码的例子，用于测试这些模型的鲁棒性和泛化能力，并提高神经元的覆盖率。此外，这些测试可用于通过对抗性再训练来提高目标神经代码模型的性能。
2021-06-17 cs.SE
HornFuzz: Fuzzing CHC solvers
针对缺乏 CHC 求解器专用模糊测试工具的问题，提出基于蜕变测试的变异灰盒工具 HornFuzz，并在 Spacer 中发现多个严重缺陷。
2023-06-08 cs.SE
Learning-Guided Fuzzing for Testing Stateful SDN Controllers
本文提出学习引导的模糊测试方法SeqFuzzSDN，通过高效探索状态空间、生成多样化控制消息序列并推断致错模型，有效发现SDN控制器中的有状态故障，在多样性和敏感性上优于现有SOTA方法。
2025-05-05 cs.SE
Testing SSD Firmware with State Data-Aware Fuzzing: Accelerating Coverage in Nondeterministic I/O Environments
针对SSD固件在非确定性I/O环境下传统测试覆盖率提升缓慢的问题，提出状态数据感知模糊测试方法，利用内部状态引导输入生成，实验证明在保持相同覆盖率和缺陷检测能力的同时可减少约67%的命令开销。
2025-05-05 cs.SE
Fuzz Smarter, Not Harder: Towards Greener Fuzzing with GreenAFL
针对传统模糊测试能耗高、碳足迹大的问题，提出能源感知框架GreenAFL，通过功耗感知的语料库最小化与能源引导变异启发式，在保持覆盖率的同时降低能耗，实现更绿色的模糊测试。
2025-10-29 cs.SE
ct-fuzz: Fuzzing for Timing Leaks
基于测试的方法，如模糊能够分析复杂的软件，这是不服从传统的形式化方法，如验证，模型检验，抽象解释。尽管在许多流行的软件项目中暴露了无数的安全漏洞，但基于测试的方法的应用主要针对检查传统的安全属性，如内存安全。虽然这类属性无疑很重要，但它并不能精确地表征其他重要的安全方面，如信息泄漏，例如，通过侧通道。在这项工作中，我们扩展了基于测试的软件分析方法的两个安全属性，这使得复杂的软件中的信息泄漏的精确发现。特别是，我们提出了ct-fuzzz工具，它使覆盖率指导灰盒模糊检测两个安全属性违规的能力。我们的方法是能够暴露违反任何两个安全属性表示为两个程序的痕迹之间的平等。从经验上讲，我们证明了ct-fuzz迅速揭示流行的加密实现中的时间泄漏。
2019-04-15 cs.SE
Vulnerability Detection Through an Adversarial Fuzzing Algorithm
针对模糊测试耗时、计算成本高，小型开发者难以开展全面安全测试的问题，本研究在现有进化算法基础上加入对抗方法生成测试用例，提升了模糊测试的效率，可在个人设备上运行并发现更多漏洞。
2023-07-21 cs.SE
FuzzSplore: Visualizing Feedback-Driven Fuzzing Techniques
模糊测试技术是当前针对安全问题的软件测试的发展趋势。它们的巨大有效性吸引了研究人员和黑客的注意，并使他们参与开发许多新技术来改进模糊测试。这些技术的评价和交叉比较几乎是一个开放的问题。在本文中，我们提出了一个人驱动的方法来解决这个问题的基础上信息可视化。我们在AFL++模糊框架FuzzSplore上开发了一个原型，分析师可以使用它来获得有关应用于特定目标的不同模糊配置的有用见解，以便在模糊活动期间选择或调整最佳技术。
2021-02-06 cs.CR cs.SE
Free Lunch for Testing: Fuzzing Deep-Learning Libraries from Open Source
深度学习（DL）系统可以让我们的生活变得更加轻松，因此越来越受到学术界和工业界的关注。同时，DL系统中的错误可能是灾难性的，甚至可能在安全关键应用中威胁到人类生命。迄今为止，大量的研究工作一直致力于测试DL模型。然而，有趣的是，测试底层DL库的工作仍然有限，这些库是构建、优化和运行DL模型的基础。一个潜在的原因是，底层DL库的测试生成可能相当具有挑战性，因为它们的公共API主要在Python中公开，由于动态类型，甚至很难自动确定API输入参数类型。在本文中，我们提出了FreeFuzz，第一种通过从开源中挖掘来模糊DL库的方法。更具体地说，FreeFuzz从三个不同的来源获得代码/模型：1）来自库文档的代码片段，2）库开发人员测试，以及3）野生的DL模型。然后，FreeFuzz自动运行所有收集的代码/模型，并使用插装来跟踪每个覆盖的API的动态信息，包括调用期间每个参数的类型和值，以及输入/输出张量的形状。最后，FreeFuzz将利用跟踪的动态信息对每个覆盖的API执行模糊测试。在PyTorch和TensorFlow这两个最流行的DL库上对FreeFuzz进行的广泛研究表明，FreeFuzz能够自动跟踪模糊1158个流行API的有效动态信息，比最先进的LEMON多9倍，开销比LEMON低3.5倍。到目前为止，FreeFuzz已经检测到PyTorch和TensorFlow的49个bug…
2022-02-25 cs.SE
BASFuzz: Towards Robustness Evaluation of LLM-based NLP Software via Automated Fuzz Testing
BASFuzz提出一种面向基于LLM的NLP软件的自动化模糊测试方法，通过文本一致性引导变异、Beam-Annealing Search算法及信息熵自适应策略，在六个数据集上实现90.335%测试有效性并显著降低时间开销。
2025-09-22 cs.SE
Fuzzing-based Mutation Testing of C/C++ Software in Cyber-Physical Systems
本文提出用模糊测试替代符号执行对 CPS 中 C/C++ 软件进行变异测试，并在卫星系统组件上验证其可检测 40%-90% 开发者测试遗漏的变异体，结合 Clang、内存消毒器和 laf-intel 插桩效果最佳，检测率比符号执行最高提升 50 个百分点。
2025-07-03 cs.SE
Efficient Fuzz Testing for Apache Spark Using Framework Abstraction
新兴的数据密集型应用程序越来越依赖于数据密集型可扩展计算（DISC）系统，如Apache Spark，以处理大数据。尽管它们很受欢迎，但DISC应用程序很难测试。近年来，模糊测试取得了显著的成功;然而，将这种传统模糊测试直接应用于大数据分析并非易事，因为：（1）DISC系统的长延迟禁止了模糊测试的适用性，以及（2）常规分支覆盖不太可能从DISC框架实现中识别应用逻辑。我们设计了一种新的模糊测试工具BigFuzz，它可以自动为Apache Spark程序的输入生成具体的数据。我们的方法的关键本质是，我们抽象的可执行规范的DISC框架的可执行的行为，我们设计的模式感知突变的基础上，在DISC应用程序中常见的错误类型。我们的实验表明，与随机模糊相比，BigFuzz能够将模糊时间加快1477倍，将应用程序代码覆盖率提高271%，并在检测应用程序错误方面实现157%的提高。BigFuzz的演示视频可在https://www.youtube.com/watch?上获得v=YvYQISILQHs&feature= youtu.be.
2021-03-08 cs.SE
GraphFuzz: Automated Testing of Graph Algorithm Implementations with Differential Fuzzing and Lightweight Feedback
针对图算法测试输入空间大、代码覆盖引导模糊测试效率低的问题，提出首个面向图算法的反馈引导模糊测试框架GraphFuzz，通过算法特定轻量反馈提升语料多样性，支持黑/灰盒测试，结合差分测试发现12个未知漏洞。
2025-02-21 cs.SE
Data-driven Test Generation for Fuzzing AI Compiler
School of Computer Software, Tianjin University（天津大学计算机学院）
本文提出了一种数据驱动的模糊测试生成框架，用于提高AI编译器的测试覆盖率和有效性，检测了266个之前未知的错误。
2026-01-24 cs.SE
Evaluating the Effectiveness of Coverage-Guided Fuzzing for Testing Deep Learning Library APIs
本文提出FlashFuzz，利用LLM自动合成API级测试驱动程序，将覆盖率引导模糊测试有效应用于PyTorch和TensorFlow，显著提升覆盖率、有效率和生成速度，并发现42个未知缺陷。
2025-09-18 cs.SE
Fuzzing for CPS Mutation Testing
本文提出利用模糊测试为安全攸关CPS的C/C++软件生成变异测试数据，并通过在轨卫星组件实证表明其显著优于或可补充符号执行。
2023-08-15 cs.SE
Perception-Guided Fuzzing for Simulated Scenario-Based Testing of Autonomous Driving Systems
提出SimsV，一种面向多模块自动驾驶系统的感知引导模糊测试方法，通过高保真模拟器生成测试输入和预言机，成功发现商业级4级ADS Apollo的感知弱点及碰撞等严重问题。
2024-08-24 cs.SE
Badger: Complexity Analysis with Fuzzing and Symbolic Execution
涉及模糊测试和符号执行的混合测试方法在实现高代码覆盖率、发现各种软件应用程序中的细微错误和漏洞方面显示出有希望的结果。在本文中，我们描述獾-一种新的混合方法的复杂性分析，发现漏洞时发生的最坏情况下的时间或空间复杂度的应用程序是显着高于平均情况的目标。Badger使用模糊测试来生成一组不同的输入，其目的不仅是增加覆盖率，而且还与每个路径相关联的资源相关的成本。由于模糊可能无法执行深程序路径，由于其有限的知识的条件，影响这些路径，我们补充了分析与符号执行，这也是定制的搜索路径，增加资源相关的成本。符号执行特别擅长生成满足各种程序条件的输入，但它本身会遭受路径爆炸。因此，獾使用模糊和象征性执行串联，以利用他们的好处，克服他们的弱点。我们实现了我们的方法分析的Java程序，基于Kelinci和Symbolic Pathwords。我们在Java应用程序上评估了Badger，结果表明，与模糊或符号执行相比，我们的方法在生成最坏情况的执行方面要快得多。
2018-06-08 cs.SE
Assurances in Software Testing: A Roadmap
作为研究人员，我们已经知道如何使测试更有效和更高效地发现bug。然而，由于模糊（即，自动化测试）在实践中越来越广泛地被采用，从业者们会问：模糊测试活动提供了什么保证不会暴露错误？在合理的剩余风险下，何时停止模糊器是安全的？模糊器应该运行多久才能达到足够的覆盖范围？现在是我们超越日益复杂的测试技术的创新，围绕测试过程的解释和量化建立一个知识体系，并制定合理的方法，以可衡量的准确性估计和推断这些数量的时候了。在我们对未来的展望中，从业者利用丰富的统计工具集来评估剩余风险，获得统计保证，并分析正在进行的模糊活动的成本效益权衡。我们提出了一个总体框架作为第一个出发点，以应对这一根本挑战，并讨论了大量的具体机会，为未来的研究。
2018-12-17 cs.SE
MicroFuzz: An Efficient Fuzzing Framework for Microservices
本文提出MicroFuzz，一个面向微服务的高效模糊测试框架，通过模拟辅助种子执行、分布式追踪等方法应对环境复杂性，在蚂蚁集团部署后检测出5718个风险，并提升覆盖率12.24%。
2024-01-10 cs.SE
White-Box and Black-Box Fuzzing for GraphQL APIs
图形查询语言（GraphQL）是一种用于Web服务中API操作的强大语言。它最近被引入作为解决RESTful API局限性的替代解决方案。本文介绍了GraphQL API测试的自动化解决方案。我们提出了一个完整的框架，自动化的API测试，从模式提取测试用例生成。此外，我们考虑了两种测试：白盒和黑盒测试。当GraphQL API的源代码可用时，执行白盒测试。我们的方法是基于进化搜索。测试用例被进化为智能地探索解决方案空间，同时最大化代码覆盖率和故障查找标准。黑盒测试不需要访问GraphQL API的源代码。因此，它具有更普遍的适用性，尽管它的性能较差。在这种情况下，我们使用随机搜索来生成GraphQL数据。所提出的框架的实施和集成到开源的EvoMaster工具。通过启用白盒策略，即，在白盒模式下，7个开源GraphQL API上的实验显示，与基线随机搜索相比，进化方法在统计学上有显着改善。此外，在31个在线GraphQL API上的实验揭示了黑盒模式检测真实故障的能力。
2022-09-13 cs.SE
Stateful Embedded Fuzzing with Peripheral-Accurate SystemC Virtual Prototypes
RWTH Aachen University（亚琛工业大学）
本文提出一种结合AFL++与状态化SystemC-TLM虚拟原型的框架，通过将模糊测试输入直接注入外围模型，实现嵌入式软件的真实模糊测试，提升预硅测试效果。
2026-04-20 cs.SE
Effectiveness and Scalability of Fuzzing Techniques in CI/CD Pipelines
Fuzzing已被证明是自动化软件测试的一项基本技术，但也是一项昂贵的技术。随着CI/CD实践在软件开发中的越来越多的采用，一个自然的问题是“考虑到代码更改的速度和自动化交付/部署实践，将模糊集成到CI/CD管道中的最佳方法是什么？”'.事实上，Böhme和Zhu最近的一项研究表明，每五个bug中就有四个是由最近的代码更改（即回归）引入的。在本文中，我们将从自动化软件测试和持续开发两个角度来仔细研究模糊器与CI/CD管道的集成。首先，我们研究了一个优化的机会来分类不需要模糊处理的提交，并通过实验分析发现，在我们分析的9个库中，有3个库的CI/CD中的平均模糊处理工作量可以减少约63%（6个库的平均模糊处理工作量>40%）。其次，我们调查了模糊活动持续时间对CI/CD流程的影响：较短的模糊活动，例如15分钟（与现场24小时的智慧相反）有助于更快的管道，并且仍然可以发现重要的错误，但也可能降低其检测复杂错误的能力。最后，我们讨论了一个优先级策略，自动分配资源的基础上，一组预定义的优先级策略模糊活动。我们的研究结果表明，连续模糊测试（作为CI/CD自动化测试的一部分）确实是有益的，有很多优化的机会，以提高模糊测试的有效性和可扩展性。
2022-06-07 cs.CR cs.SE
Testing Storage-System Correctness: Challenges, Fuzzing Limitations, and AI-Augmented Opportunities
Institute of Computing Technology, Chinese Academy of Sciences (ICT, CAS)（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Zhongguancun Laboratory（中关村实验室）
本文探讨了存储系统正确性测试的挑战，分析了模糊测试的局限性，并提出了利用人工智能技术提升测试效果的可能性。
2026-02-06 cs.AI cs.CR cs.SE
Industry Practice of Coverage-Guided Enterprise-Level DBMS Fuzzing
作为数据持久化和分析的基础设施，数据库管理系统（DBMS）是现代企业软件的基石。为了提高它们的正确性，业界几十年来一直在应用黑盒模糊技术。最近，研究界取得了令人印象深刻的模糊增益使用覆盖指导。然而，由于企业级数据库管理系统的复杂性和分布式性，这些研究很少应用于行业。在本文中，我们将覆盖率引导的模糊应用于华为和Bloomberg LP的企业级DBMS。在我们测试GaussDB和Comdb2的实践中，我们发现所有三个测试阶段都存在重大挑战。挑战是收集精确的覆盖率，优化模糊性能，并分析根本原因。在寻找一个通用的方法来克服这些挑战，我们提出Ratel，覆盖率为导向的模糊企业级DBMS。通过面向行业的设计，Ratel提高了反馈精度，增强了输入生成的鲁棒性，并对错误的根本原因进行了在线调查。因此，Ratel在覆盖率和错误方面优于其他模糊器。与工业黑盒模糊器SQLsmith和SQLANCER以及覆盖率引导的学术模糊器Squirrel相比，Ratel覆盖的基本块分别比GaussDB，PostgreSQL和Comdb2中其他三个模糊器的最佳结果多38.38%，106.14%，583.05%。更重要的是，Ratel在GaussDB、Comdb2和PostgreSQL中发现了32个、42个和5个未知错误。
2021-03-01 cs.SE
Evolutionary Generative Fuzzing for Differential Testing of the Kotlin Compiler
本文提出一种黑盒生成式模糊测试方法，结合语义接口模型、扩充上下文无关文法及两种遗传算法生成Kotlin程序，用于K1和K2编译器的差分测试，有效发现并确认了多个编译器缺陷。
2024-01-12 cs.SE
Kaizen: Metamorphic Fuzzing and Differential Testing for LLM-Translated HPC Applications
Oregon State University（俄勒冈州立大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
研究大语言模型驱动的高性能计算应用代码翻译的正确性评估，提出用变质模糊测试和差分测试框架Kaizen，经源码变异、语法输入模糊等生成等价程序，暴露语义差异，评估揭示了编译成功与正确性的关系。
2026-07-07 cs.PL cs.SE
Fuzzing BusyBox: Leveraging LLM and Crash Reuse for Embedded Bug Unearthing
针对嵌入式设备中广泛使用的BusyBox的漏洞问题，提出利用LLM生成目标特定初始种子增强模糊测试、复用相似目标崩溃数据的两种技术，无需传统模糊测试即可在最新BusyBox中发现崩溃，提升嵌入式漏洞检测效率。
2024-03-06 cs.CR cs.SE
On the Challenges of Fuzzing Techniques via Large Language Models
School of Electrical and Computer Engineering, The University of Sydney（悉尼大学电气与计算机工程学院）；The University of Sydney（悉尼大学）；Department of Computer Science, The University of Tokyo（东京大学计算机科学系）；The University of Tokyo（东京大学）
本文针对现有模糊测试自动化不足、漏洞持续演变的问题，首次系统综述大语言模型与模糊测试交叉领域的研究进展，分析前沿方法并展望其推动自动化软件测试的潜力。
2025-05-18 cs.AI cs.SE
White-box Fuzzing RPC-based APIs with EvoMaster: An Industrial Case Study
远程过程调用（RPC）是一种通信协议，用于支持网络上服务之间的客户端-服务器交互。RPC广泛应用于构建大规模分布式系统，如微服务。现代RPC框架包括Thrift、gRPC、SOFARPC和Dubbo等。由于分布式系统的复杂性和系统可能采用的各种RPC框架，测试这样的系统非常具有挑战性。据我们所知，目前还没有任何工具或解决方案可以对现代基于RPC的服务进行自动化测试。为了填补这一空白，在本文中，我们提出了文献中的第一种方法，以及一个开源工具，用于通过搜索对现代基于RPC的API进行白盒模糊。为了评估我们的新方法，我们对我们的工业合作伙伴选择的两种人工和四种工业API进行了实证研究。该工具已被集成到一个实际的工业流水线，并可以应用于实际的工业开发过程中的模糊基于RPC的API。为了进一步证明其在工业环境中的有效性和应用，我们还报告了使用我们的工具对我们的工业合作伙伴在其测试过程中自主进行的另外50种工业API进行模糊处理的结果。结果表明，我们的新方法能够为基于RPC的工业API（即，两个人工和54个工业）。我们还比较了一个简单的灰盒技术和现有的手动编写的测试。我们的白盒解决方案在代码覆盖率方面实现了显著的改进。在故障检测方面，通过与我们的工业合作伙伴仔细审查我们在选定的四种工业API中采用新方法生成的测试，共识别出41个实际故障，现已修复。另有8，377个检测到的故障正在调查中。
2023-02-03 cs.SE
Human in the Loop for Fuzz Testing: Literature Review and the Road Ahead
Singapore Management University（新加坡管理大学）；Nanyang Technological University（南洋理工大学）；Tianjin University（天津大学）
本文综述了人机协同模糊测试的研究现状，提出未来研究方向，强调可视化技术、实时干预和人机协作的重要性，旨在提升模糊测试效率。
2026-03-12 cs.HC cs.SE
Fuzzing Microservices in Face of Intrinsic Uncertainties
Beihang University（北京航空航天大学）；Kristiania University College（克里斯蒂亚纳大学学院）；Oslo Metropolitan University（奥斯陆都会大学）
本文提出了一种基于不确定性的系统级微服务模糊测试方法，通过整合服务虚拟化和不确定性模拟，提升工业微服务系统的可靠性和容错性。
2026-03-03 cs.SE
InsightQL: Advancing Human-Assisted Fuzzing with a Unified Code Database and Parameterized Query Interface
针对模糊测试易因阻塞点陷入覆盖率瓶颈、人工分析成本高的问题，提出带统一数据库和参数化查询界面的人类辅助框架InsightQL，在FuzzBench基准测试中显著提升代码覆盖率。
2025-10-06 cs.SE
Leveraging SystemC-TLM-based Virtual Prototypes for Embedded Software Fuzzing
针对现有嵌入式软件模糊测试方案耦合度高、缺外设支持、灵活性不足的问题，提出解耦模糊测试器与SystemC仿真器、关联外设行为的框架，支持外设互换与多虚拟原型对接，经多场景验证灵活性。
2025-09-01 cs.SE
Fuzzing the brain: Automated stress testing for the safety of ML-driven neurostimulation
Department of Computer Science, University of California, Santa Barbara, CA, USA（计算机科学系，加州大学圣巴巴拉分校）
本文提出了一种基于模糊测试的自动化方法，用于检测和表征ML驱动神经刺激系统中的不安全刺激模式，以提升神经接口的安全性。
2025-12-05 cs.AI cs.SE
FuzzAug: Data Augmentation by Coverage-guided Fuzzing for Neural Test Generation
University of California, Davis（加州大学戴维斯分校）
本文提出了一种名为FuzzAug的新型数据增强技术，通过引入模糊测试的覆盖引导输入和有效测试语义，将训练数据集规模扩大一倍，从而显著提升了大型语言模型在神经测试生成任务中的性能。
2025-06-26 cs.AI cs.SE
Automated Conformance Testing for JavaScript Engines via Deep Compiler Fuzzing
JavaScript（JS）是一种流行的、与平台无关的程序设计语言。为了确保JS程序在不同平台上的互操作性，JS引擎的实现应该符合ECMAScript标准。然而，这样做是具有挑战性的，因为API行为有许多微妙的定义，并且定义不断发展。我们提出了COMFORT，一个新的编译器模糊框架，用于检测JS引擎的错误和行为偏离ECMAScript标准。COMFORT利用基于深度学习的语言模型的最新进展，自动生成JS测试代码。与以前的模糊器不同，COMFORT利用结构良好的ECMAScript规范自动生成测试数据以及测试程序，以暴露开发人员或手动编写的测试用例可能忽略的错误。然后，COMFORT在生成的测试用例上应用差异测试方法，以暴露标准一致性错误。我们将COMFORT应用于十个主流JS引擎。在200小时的自动化并发测试运行中，我们发现了所有测试过的JS引擎中的错误。我们已经确定了158个独特的JS引擎错误，其中129个已经得到验证，115个已经被开发人员修复。此外，21个Comfort生成的测试用例已添加到Test262，官方ECMAScript一致性测试套件。
2021-04-15 cs.PL cs.SE
Detecting and Mitigating Flakiness in REST API Fuzzing
Beihang University（北京航空航天大学）；Kristiania University of Applied Sciences and Oslo Metropolitan University（克里斯蒂亚纳应用科学大学与奥斯陆都会大学）
本文研究了EvoMaster生成的REST API测试中的不稳定性，通过36个REST API的实证研究，分析了不稳定性来源，并提出FlakyCatch工具来检测和缓解不稳定性。
2026-03-30 cs.SE
Fuzzing with Fast Failure Feedback
模糊测试--用随机输入测试程序--已经成为检测程序中错误和漏洞的主要技术。为了生成覆盖新功能的输入，模糊器需要来自程序的执行反馈--例如，由以前的输入获得的覆盖率，或者需要解决以覆盖新分支的条件。但是，如果没有这样的执行反馈，模糊只能依赖于机会，这是无效的。在本文中，我们介绍了一种新的模糊技术，它只依赖于故障反馈-也就是说，输入是否有效，如果不是，错误发生的信息。我们的bFuzzer工具逐个字节地枚举输入空间，并测试程序，直到找到有效的前缀，然后从这些前缀继续探索。由于不需要插装或执行反馈，bFuzzer与语言无关，并且所需的测试执行得非常快。我们评估我们的技术上的五个科目，并表明，bFuzzer是有效的和高效的，即使在比较其白盒对应。
2020-12-25 cs.SE
DyMA-Fuzz: Dynamic Direct Memory Access Abstraction for Re-hosted Monolithic Firmware Fuzzing
Adelaide University（阿德莱德大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织数据六一分部）
DyMA-Fuzz通过动态直接内存访问抽象，提升重新托管环境中固件模糊测试的效率和覆盖率。
2026-02-09 cs.CR cs.SE
Fuzzing Deep-Learning Libraries via Automated Relational API Inference
越来越多的研究致力于DL模型测试。然而，在测试DL库方面的工作仍然有限，这些库是构建、训练和运行DL模型的基础。以前的模糊DL库工作只能为文档示例、开发人员测试或DL模型调用的API生成测试，留下大量未经测试的API。在本文中，我们提出了DeepREL，这是第一种自动推断关系API以实现更有效的DL库模糊化的方法。我们的基本假设是，对于被测的DL库，可能存在许多共享类似输入参数和输出的API;通过这种方式，我们可以很容易地从调用的API“借用”测试输入来测试其他关系API。此外，我们形式化的关系API的值等价和状态等价的概念，作为有效的错误发现的预言机。我们已经实现了DeepREL作为DL库的全自动端到端关系API推理和模糊技术，其1）基于API语法或语义信息自动推断潜在的API关系，2）合成用于调用关系API的具体测试程序，3）通过代表性测试输入验证推断的关系API，以及最后4）对经验证的关系API执行模糊化以发现潜在的不一致。我们对两个最流行的DL库PyTorch和TensorFlow的评估表明，DeepREL可以比最先进的FreeFuzz多覆盖157%的API。到目前为止，DeepREL总共检测到162个bug，其中106个已经被开发人员确认为以前未知的bug。令人惊讶的是，DeepREL在三个月的时间内检测到了整个PyTorch问题跟踪系统中13.5%的高优先级错误。此外，…
2022-07-12 cs.SE
HFuzzer: Testing Large Language Models for Package Hallucinations via Phrase-based Fuzzing
School of Software Technology, Zhejiang University, Ningbo, China（软件技术学院，浙江大学，宁波，中国）；The State Key Laboratory of Blockchain and Data Security, Zhejiang University, Hangzhou, China（区块链与数据安全国家重点实验室，浙江大学，杭州，中国）
针对大语言模型包幻觉安全风险缺乏专项检测的问题，提出基于短语的模糊测试框架HFuzzer，可生成多样相关编码任务，在多模型中触发幻觉，检测量达突变框架2.6倍，还发现GPT-4o在环境配置中也存在包幻觉。
2025-10-04 cs.AI cs.SE
Large Language Models for Fuzz Testing in Microservices: A Systematic Literature Review
University of Helsinki（赫尔辛基大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
本文通过系统文献综述分析20项研究，发现LLM主要用作微服务黑盒模糊测试的语义输入生成器，可提升输入有效性与测试效果，但存在评估异质性等挑战，为相关设计部署提供支撑。
2026-09-07 cs.SE
GreyConE: Greybox fuzzing+Concolic execution guided test generation for high level design
由于复杂的分支条件、循环结构和硬件设计固有的并发性，对高级设计进行详尽的测试是一个艰巨的挑战。测试工程师的目标是生成满足各种代码覆盖率指标的高质量测试用例，以确保设计中出现的错误最少。在测试SystemC设计之前的工作是时间效率低下的，这阻碍了在较短的时间跨度内实现所需的覆盖。我们交错灰盒模糊和concolic执行系统的方式，并生成质量测试用例加速测试覆盖率指标。我们的结果优于国家的最先进的方法在测试用例的数量和分支覆盖的一些基准，和运行时间为他们中的大多数。
2022-07-13 cs.CR cs.SE
BiFuzz: A Two-Stage Fuzzing Tool for Open-World Video Games
Ritsumeikan University（立命馆大学）
BiFuzz是一个面向开放世界视频游戏的两阶段模糊测试工具，通过逐步变异整体游戏策略和移动路径等测试用例，有效检测角色卡住问题。
2025-11-10 cs.SE
FMViz: Visualizing Tests Generated by AFL at the Byte-level
软件模糊测试是一种强有力的测试技术，已经成为工业界自动化软件测试和软件漏洞检测的事实上的方法。模糊的随机性使得监控和理解模糊器的行为变得困难。在本文中，我们报告了模糊突变可视化工具（FMViz）的开发，该工具专注于可视化模糊器中的字节级突变。特别是，FMViz扩展了美国模糊Lop（AFL），以可视化生成的测试输入，并突出显示连续生成的种子之间的变化，作为一个模糊活动的进展。我们的工具的首要目标是帮助开发人员和学生更好地理解AFL模糊器的内部工作原理。在本文中，我们提出了FMViz的体系结构，讨论了它的一个示例案例研究，并概述了未来的工作。FMViz是开源的，可在https://github.com/AftabHussain/afl-test-viz上公开获取。
2021-12-25 cs.SE
CC-Fuzz: Genetic algorithm-based fuzzing for stress testing congestion control algorithms
拥塞控制的研究在过去几年中经历了一个显着的增长的兴趣，许多专用的算法被设计与特定应用程序的需要铭记。这些算法在被部署到互联网上之前经历了有限的测试，在互联网上它们与其他拥塞控制算法交互，并在各种网络条件下运行。由于算法不足或实现错误，这通常会导致无法预见的性能问题，并且由于数据包跟踪不可用，这些问题通常难以识别。在本文中，我们提出了CC-Fuzz，一个自动化的拥塞控制测试框架，使用遗传搜索算法，以压力测试拥塞控制算法生成对抗性的网络痕迹和流量模式。使用这种方法的初步结果是有希望的- CC-Fuzz自动发现BBR中的一个错误，导致它永久停止，并且能够自动发现众所周知的低速率TCP攻击等。
2022-07-15 cs.NE cs.NI cs.SE
