MEUZZ: Smart Seed Scheduling for Hybrid Fuzzing
Northeastern University（东北大学）；Stony Brook University（石溪大学）
排种是决定杂交水稻产量的一个重要因素。现有的混合模糊调度种子的基础上，旨在预测输入实用程序的固定算法。然而，这种方法是不可推广的，因为不存在适用于不同程序的一刀切的规则。它们可能在它们所源自的程序上工作得很好，但在其他程序上就不行了。为了克服这个问题，我们设计了一个机器学习增强的混合模糊系统（MEUZZ），它采用监督机器学习的自适应和泛化的种子调度。MEUZZ基于从相同或类似程序上做出的过去种子调度决策中学到的知识来确定哪些新种子预计会产生更好的模糊产量。MEUZZ的学习基于一系列通过代码可达性和动态分析提取的特征，这会产生可忽略的运行时开销（以微秒为单位）。此外，MEUZZ通过评估每个选定种子的模糊性能来自动推断数据标签。因此，MEUZZ通常适用于各种程序，并在各种程序上表现良好。我们的评估表明，MEUZZ显着优于国家的最先进的灰盒和混合模糊，实现27.1%以上的代码覆盖率比QSYM。学习的模型是可重用和可转移的，这将模糊性能平均提高了7.1%，并改善了56个跨程序模糊活动中的68%。MEUZZ发现了47个隐藏得很深的、以前未知的bug--其中21个已经被开发人员确认并修复--在模糊化8个经过良好测试的程序时，这些程序的配置与以前的工作相同。
2020-07-22 cs.AI cs.CR
Harnessing Large Language Models for Seed Generation in Greybox Fuzzing
针对灰盒模糊测试中高质量初始种子生成不足的问题，提出SeedMind系统，利用大型语言模型（LLMs）创建测试用例生成器，通过迭代反馈优化种子生成，提升代码覆盖并发现漏洞，效用优于现有基于LLM的方案。
2024-11-27 cs.CR cs.SE
Psyzkaller: Learning from Historical and On-the-Fly Execution Data for Smarter Seed Generation in OS kernel Fuzzing
University of Chinese Academy of Sciences（中国科学院大学）；TCA Lab, Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Zhongguancun Lab（中关村实验室）；Cryptography and Cyberspace Security (Whampoa) Institute（密码与网络安全（黄埔）研究院）；School of Cyber Science and Technology, Shandong University（山东大学网络空间安全学院）
提出利用N-gram模型从内核执行历史和实时模糊测试结果中学习系统调用依赖关系，结合双向随机游走策略生成更有效且多样的种子，显著提升代码覆盖率、崩溃发现量和漏洞挖掘能力。
2026-06-17 cs.CR
Corpus Distillation for Effective Fuzzing: A Comparative Evaluation
基于变异的模糊化通常使用一组初始的非崩溃种子输入（语料库），通过变异来生成新的输入。潜在种子的语料库通常包含数千个类似的输入。这种多样性的缺乏可能导致从所有可用种子中进行穷举突变而浪费模糊努力。为了解决这个问题，模糊器带有蒸馏工具（例如，AFL-Cmin），其选择触发与完整语料库相同的检测数据点范围的种子的最小子集。通常的做法表明，最小化种子的数量和累积大小会导致更有效的模糊，我们系统地探索。我们提出了34+ CPU-年的模糊结果与五种蒸馏方法，以了解它们在现实世界的软件中发现错误的影响。我们评估了一些技术，包括现有的afl-cmin和Minset，以及MoonLight-一个免费提供的，可配置的，最先进的，开源的工具。我们的实验比较了蒸馏方法的有效性，目标是Google Fuzzer Test Suite和一组不同的六个真实世界的库和程序，涵盖了16个程序中的13种不同的输入文件格式。我们的研究结果表明，蒸馏是一个必要的前兆，任何模糊运动时，开始与一个大的初始语料库。我们比较了替代蒸馏方法的有效性。值得注意的是，我们的实验表明，最先进的蒸馏工具（如MoonLight和Minset）并不能完全找到我们的综合活动暴露的所有33个bug（在现实世界的目标中）：每种技术似乎都有自己的优势。我们发现（并报告）Minset没有发现的MoonLight的新错误，反之亦然。此外，afl-cmin…
2020-09-21 cs.CR
MuFuzz: Sequence-Aware Mutation and Seed Mask Guidance for Blockchain Smart Contract Fuzzing
针对智能合约模糊测试难以生成有效交易序列和关键输入的问题，本文提出 MuFuzz，融合序列感知变异、掩码引导种子变异与动态自适应能量调整，在分支覆盖和漏洞检测上显著优于现有工具。
2023-12-10 cs.CR
Rare-Seed Generation for Fuzzing
从一个随机的初始种子开始，模糊器搜索触发错误或漏洞的输入。然而，模糊器往往无法生成输入的程序路径保护的限制性分支条件。在本文中，我们表明，通过首先识别程序中的稀有路径（即，具有不可能被随机输入生成满足的路径约束的程序路径），然后生成触发稀有路径的输入/种子，可以提高模糊工具的覆盖率。特别是，我们提出的技术1）使用定量符号分析来识别稀有路径，以及2）生成可以使用路径引导的concolic执行来探索这些稀有路径的输入。我们将这些输入作为初始种子集提供给三个最先进的模糊器。我们的一组程序（包含很多限制性分支条件）的实验评估表明，模糊实现更好的覆盖率与稀有路径为基础的种子集相比，随机初始种子。
2022-12-18 cs.CR cs.SE
LLAMA: Multi-Feedback Smart Contract Fuzzing Framework with LLM-Guided Seed Generation
本文提出基于LLM的多反馈智能合约模糊测试框架LLAMA，结合分层提示生成种子、多反馈优化机制和进化模糊引擎，显著提升了代码覆盖率与漏洞检测能力。
2025-07-16 cs.CR cs.SE
HotFuzz: Discovering Algorithmic Denial-of-Service Vulnerabilities Through Guided Micro-Fuzzing
当代模糊测试技术主要致力于识别允许对手远程执行代码或泄露信息的内存损坏漏洞。与此同时，作为拒绝服务攻击的常见攻击媒介的网络复杂性（AC）漏洞仍然是一个未充分研究的威胁。在本文中，我们提出了HotFuzz，一个自动发现Java库中的AC漏洞的框架。HotFuzz使用微模糊，这是一种进化任意Java对象的遗传算法，以触发测试方法的最差性能。我们将小递归实例化（SRI）定义为一种技术，用于将表示为Java对象的种子输入导出到微模糊。在微模糊化之后，HotFuzz将触发AC漏洞的测试用例合成到Java程序中，并监视它们的执行，以便在模糊化框架之外再现漏洞。HotFuzz输出那些表现出高CPU利用率的程序，作为Java库中AC漏洞的见证。我们评估了HotFuzz在Java编译环境（JRE），Maven上100个最流行的Java库，以及DARPA网络安全空间和时间分析（STAC）计划中包含的挑战。我们通过比较微模糊与SRI的性能来评估SRI的有效性，通过检测到的AC漏洞的数量来衡量，简单地使用空值作为种子输入。在这次评估中，我们验证了已知的AC漏洞，发现了以前未知的AC漏洞，我们负责任地向供应商报告了这些漏洞，并得到了IBM和Oracle的确认。我们的研究结果表明，微模糊发现AC漏洞在现实世界的软件，和微模糊与SRI派生的种子输入优于使用空值。
2020-02-14 cs.CR
SeedSmith: LLM-Driven Seed Synthesis for Directed Fuzzing
UC Santa Barbara（加州大学圣塔芭芭拉分校）；Arizona State University（亚利桑那州立大学）
研究针对定向模糊测试常无法触发崩溃的问题，提出SeedSmith这一基于大语言模型的管道，通过复制分析师工作流程合成种子，提升模糊器性能，在Magma和ARVO上取得显著加速和发现新漏洞的成果。
2026-07-16 cs.CR cs.SE
Toward Unbiased Multiple-Target Fuzzing with Path Diversity
本文提出AFLRun定向模糊测试方案，通过目标路径多样性度量和无偏能量分配策略提升多目标模糊测试的公平性与效率，在漏洞检测数量和速度上超越现有工具，并发现29个新漏洞（含8个CVE）。
2024-06-06 cs.CR
Smart Greybox Fuzzing
基于覆盖率的灰盒模糊检测（CGF）是最成功的自动漏洞检测方法之一。给定一个种子文件（作为一个比特序列），CGF随机翻转、删除或比特以生成新文件。CGF通过保留那些增强覆盖率的生成文件来迭代地构建（和模糊化）种子语料库。然而，对于处理复杂文件格式的应用程序，随机位翻转不太可能产生有效文件（或文件中的有效块）。在这项工作中，我们引入智能灰盒模糊（SGF），它利用种子文件的高层次结构表示来生成新的文件。我们定义了创新的变异算子，工作在虚拟文件结构，而不是位的水平，使SGF探索全新的输入域，同时保持文件的有效性。我们引入了一种新的基于有效性的电源调度，使SGF花更多的时间生成更有可能通过程序的解析阶段的文件，这可以暴露更深层次的处理逻辑中的漏洞。我们的评估证明了SGF的有效性。在解析结构复杂文件的几个库上，我们的工具AFL Smart探索了比基线AFL更多的路径（高达200%），并暴露了更多的漏洞。我们的工具AFLSmart在广泛使用的、经过良好测试的工具和库中发现了42个零日漏洞;到目前为止，分配了17个CVE。
2018-11-23 cs.CR
ChatHTTPFuzz: Large Language Model-Assisted IoT HTTP Fuzzing
本文提出ChatHTTPFuzz，利用大语言模型解析HTTP协议字段和分析服务代码逻辑生成合规测试用例，并结合增强Thompson采样调度种子模板，在14种真实物联网设备上发现103个漏洞，其中23个获CVE编号。
2024-11-18 cs.CR
Enhanced Grey Box Fuzzing For Intel Media Driver
灰盒模糊技术是目前最成功的漏洞自动检测方法之一。然而，像AFL这样的传统灰盒模糊器可以对整个输入开放执行模糊，并且在执行时间较短的较小种子上花费更多时间，这显著影响了复杂输入类型的模糊效率。在这项工作中，我们介绍了一个智能灰盒模糊的英特尔媒体驱动程序，MediaFuzzer，它可以执行有效的模糊选择字段的基础上，复杂的输入。此外，通过一种偏向种子语料库的基于调用深度的新功率调度，可以导致更深的调用链，与Intel媒体驱动程序的基线AFL相比，它大大提高了漏洞暴露（暴露的问题增加约6.6倍）和模糊效率（效率提高约2.7倍），开销几乎可以忽略不计。
2022-03-30 cs.CR cs.SE
FuSeBMC v.4: Smart Seed Generation for Hybrid Fuzzing
FuSeBMC是一个测试生成器，用于查找C程序中的安全漏洞。在早期的工作[4]中，我们描述了一个以前的版本，该版本增量注入标签来指导有界模型检验（BMC）和进化模糊引擎生成代码覆盖和错误发现的测试用例。本文介绍了一个新版本的FuSeBMC，利用这两个引擎来产生智能种子。首先，引擎在程序的轻度检测版本上以短时间限制运行以产生种子。BMC引擎在产生可以通过复杂数学防护的种子时特别有用。然后，FuSeBMC使用上一轮创建的智能种子以更长的时间限制运行其引擎。FuSeBMC使用其Tracer子系统以两种主要方式管理此过程。首先，它使用共享内存来记录每个测试用例所覆盖的标签。其次，对测试用例进行评估，将影响较大的测试用例转化为种子，用于后续的测试模糊化。因此，我们的代码覆盖率得分比去年显著提高，在每个类别中都超过了参加今年比赛的所有工具。
2021-12-20 cs.CR cs.CY cs.SC
Fuzzing Based on Function Importance by Interprocedural Control Flow Graph
基于覆盖的灰盒模糊器（CGF），如AFL，由于其易用性和缺陷发现能力，在漏洞检测方面取得了巨大的成功。由于某些代码片段（如内存分配）比其他代码片段更容易受到攻击，因此已经提出了各种改进技术，通过从被测程序或其执行中收集额外的信息来探索更容易受到攻击的区域。然而，这些改进仅考虑有限类型的信息源，并且忽略了要被模糊化的种子输入的优先级可能受其覆盖的所有代码影响的事实。基于上述观察，我们提出了一种基于函数重要性的模糊化方法。首先，设计了一种称为属性化过程间控制流图（AICFG）的数据结构来组合代码片段的不同特征。其次，基于改进的PageRank算法计算AICFG中每个节点的重要性，该算法还对连接节点之间的影响进行了建模。在模糊过程中，节点的重要性定期更新的传播算法。然后，种子输入的种子选择和能量调度由其执行轨迹的重要性决定。我们实现了这种方法的AFL顶部的一个工具，名为FunAFL，并进行了评估对AFL和它的两个改进的14个现实世界的计划。FunAFL的分支覆盖率平均比其他人高17%，发现了13个bug，其中3个在72小时后被CVE确认。
2021-02-27 cs.CR
Hybrid Approach to Directed Fuzzing
Ivannikov Institute for System Programming of the Russian Academy of Sciences（俄罗斯科学院伊万尼科夫系统编程研究所）；Lomonosov Moscow State University（莫斯科国立大学）
本文提出了一种结合有向模糊测试和符号执行的混合方法，通过新型种子调度算法提升错误检测效率。
2026-01-30 cs.CR
Fuzzing: Randomness? Reasoning! Efficient Directed Fuzzing via Large Language Models
Security Technology Inc.（360安全技术公司）；School of Science Edith Cowan University（科学学院，埃迪斯科文大学）
针对模糊测试中随机性导致效率低下的问题，提出融合大语言模型的定向模糊测试框架RandLuzz，通过生成可达种子、构建漏洞专属变异器提升测试效率，实验验证其相较现有工具速度提升显著。
2025-06-30 cs.AI cs.CR cs.PL
Better Pay Attention Whilst Fuzzing
Fuzzing是漏洞检测的主流方法之一。然而，即使是最先进的模糊方法在一段时间后也变得无效，即，由于现有方法不能有效地将模糊注意力集中在覆盖难以触发的程序路径上，因此覆盖率几乎没有提高。换句话说，他们不能生成可以打破瓶颈的输入，因为在捕获测试输入和程序覆盖之间的复杂关系方面存在根本性的困难。特别地，现有的模糊器受到以下主要限制：1）缺乏对程序的总体分析以识别最“有回报”的种子，以及2）缺乏可以连续地选择和变异种子的更相关的“字节”的有效变异策略。在这项工作中，我们提出了一种称为ATTuzz的方法来系统地解决这两个问题。首先，我们提出了一个轻量级的动态分析技术，估计“奖励”覆盖每个基本块，并选择最有价值的种子。其次，我们根据神经网络模型对所选种子进行变异，该模型预测给定种子的某些字节上的某些变异是否会覆盖某个“奖励”块。该模型是一个配备了注意力机制的深度学习模型，该机制在模糊化的同时定期学习和更新。我们的评估表明，ATTuzz在实现更高的边缘覆盖率和发现新错误方面，在13个流行的现实世界程序上显着优于5个最先进的灰盒模糊器。特别是，ATTuzz在24小时运行中实现了2倍于AFL的边缘覆盖率和4倍于AFL的bug检测。此外，ATTuzz从长远来看持续改善边缘覆盖，即，在5天内实现比AFL多50%的覆盖率。
2021-12-14 cs.CR cs.SE
RandSet: Randomized Corpus Reduction for Fuzzing Seed Scheduling
Hong Kong University of Science and Technology（香港科技大学）；Fudan University（复旦大学）
RandSet通过随机化语料库缩减技术，在减少语料库大小的同时实现多样化的种子选择，显著提升模糊测试效率并降低运行开销。
2026-02-26 cs.CR cs.SE
Effective Seed Scheduling for Fuzzing with Graph Centrality Analysis
种子调度，种子被选择的顺序，可以极大地影响模糊器的性能。现有的方法调度种子的历史变异数据的基础上，但忽略了底层的控制流图（CFG）的结构。检查CFG可以通过揭示突变种子的潜在边缘覆盖增益来帮助种子调度。一个理想的策略将基于从种子到突变的所有可达和可行边的计数来调度种子，但是沿着所有边计算可行性是非常昂贵的。因此，种子调度策略必须接近该计数。我们观察到近似计数应该具有3个属性-（i）如果有更多的边缘可从种子到达，它应该增加;（ii）如果突变历史信息表明边缘难以到达或远离当前访问的边缘，它应该减少;（iii）它应该有效地计算大型CFG。我们观察到，图分析的中心性度量自然提供了这三个属性，因此可以有效地近似通过突变种子到达未访问边缘的可能性。因此，我们构建了一个称为边缘水平图的图，该图将种子连接到其最近的未访问节点，并计算种子节点的中心性以测量突变种子的潜在边缘覆盖增益。我们实现了我们的方法在K-调度器和比较与许多流行的种子调度策略。我们发现，K-调度器增加了25.89%的熵和边缘覆盖率相比，下一个最好的基于AFL的种子调度器，在12个谷歌FuzzBench程序的算术平均值为4.21%的功能覆盖率。它还发现了3个以前未知的错误，比下一个最好的基于AFL的种子调度程序。
2022-03-24 cs.CR cs.SI
Agentic Fuzzing: Opportunities and Challenges
KAIST（韩国科学技术院）
本文提出代理模糊测试方法，通过历史漏洞引导深度代理进行推理，发现逻辑漏洞变种。AFuzz在V8引擎发现40个漏洞，获35000美元奖金，并被分配两个CVE。
2026-05-11 cs.CR cs.SE
Make out like a (Multi-Armed) Bandit: Improving the Odds of Fuzzer Seed Scheduling with T-Scheduler
针对模糊测试种子选择难题，提出基于多臂老虎机、无需超参数调优的 T-Scheduler；经 35 CPU-年实验证明其漏洞发现与覆盖率扩展优于 11 种现有调度器。
2023-12-07 cs.CR
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
Path Transitions Tell More:Optimizing Fuzzing Schedules via Runtime Program States
覆盖率引导的灰盒模糊搜索（CGF）是一种最成功和最广泛使用的错误搜索技术。采用两种主要方法来优化CGF：（i）通过推断输入字节和路径约束之间的关系来减少输入的搜索空间;（ii）制定模糊过程（例如，路径转换）并建立概率分布以优化功率调度，即，每个种子生成的输入数量。然而，前者是主观的推断结果，其中可能包括额外的字节的路径约束，从而限制了路径约束的决议，代码覆盖发现，和错误暴露的效率;后者的形式化，集中在功率调度单独的种子，是不注意的调度字节的种子。在本文中，我们提出了一个轻量级的模糊方法，Truzz，以优化现有的覆盖率指导灰盒模糊（CGF）。为了解决上述两个挑战，Truzz识别与验证检查相关的字节（即，检查保护错误处理代码），并保护这些字节不被频繁地改变，使得大多数生成的输入检查程序的功能，而不是被验证检查拒绝。字节式关系确定减轻了当模糊器推断字节约束关系时加载额外字节的问题。此外，Truzz中提出的路径转换可以有效地将种子优先级定为新路径，收获许多新边，并且新路径可能属于具有许多未发现代码行的代码区域。实验结果表明，平均而言，Truzz可以生成16.14%的输入流入函数代码，除了24.75%的新边缘比香草模糊。最后，我们的方法暴露了8个目标程序中的13个错误，其中6个错误还没有被香草模糊器识别出来。
2022-01-12 cs.CR cs.SE
APFuzz: Towards Automatic Greybox Protocol Fuzzing
Swinburne University of Technology（斯威本科技大学）；CSIRO Data61（澳大利亚联邦科学和工业研究组织数据61）
APFuzz通过状态模型和消息模型的创新设计，提升灰盒协议模糊测试的智能性，通过静态动态分析和字段级变异操作实现更高效的模糊测试。
2026-02-25 cs.CR
Faster Fuzzing: Reinitialization with Deep Neural Models
Pacific Northwest National Laboratory（太平洋西北国家实验室）
我们通过使用生成对抗网络（GAN）模型来使用新的种子文件重新初始化系统，从而提高了美国模糊Lop（AFL）模糊测试框架的性能。我们评估性能的基础上，我们产生新的和看不见的代码路径的时间速率。我们比较这种方法，种子文件生成从随机抽取的字节中观察到的训练种子文件。代码路径长度和变化不足以完全取代AFL输入生成。然而，用这些额外的代码路径增强原生AFL证明了对AFL的改进。具体来说，实验表明，GAN比LSTM更快，更有效，并且通过发现的唯一代码路径的数量来衡量，它的性能优于随机增强策略。GAN帮助AFL在相同的CPU时间内比随机策略多发现14.23%的代码路径，多发现6.16%的唯一代码路径，并找到平均长13.84%的路径。使用GAN作为AFL的重新初始化策略，以帮助模糊器在软件中练习深层路径。
2017-11-08 cs.AI cs.CR
SimFuzz: Similarity-guided Block-level Mutation for RISC-V Processor Fuzzing
University of Chinese Academy of Sciences（中国科学院大学）
SimFuzz通过基于相似性的块级变异技术，有效发现RISC-V处理器中的功能漏洞，提升模糊测试效率和覆盖率。
2026-01-17 cs.AR cs.CR
SDLLMFuzz: Dynamic-static LLM-assisted greybox fuzzing for structured input programs
SJTU-Paris Elite Institute of Technology, Shanghai Jiao Tong University（上海交通大学巴黎卓越工程师学院）；School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与技术学院）
本文提出SDLLMFuzz框架，结合LLM生成结构化输入并利用静态崩溃分析，通过动态-静态反馈机制提升模糊测试效率，实验表明其在漏洞发现和时间效率上优于传统方法。
2026-04-20 cs.CR cs.PL
A systematic review of fuzzing based on machine learning techniques
安全漏洞在网络安全体系中起着至关重要的作用。Fuzzing技术被广泛用作漏洞发现技术，以提前减少损害。然而，传统的模糊技术有很多挑战，如如何变异输入种子文件，如何增加代码覆盖率，以及如何有效地绕过验证。机器学习技术作为一种新的方法被引入到模糊测试中来缓解这些挑战。综述了近年来机器学习技术在模糊测试中的研究进展，分析了机器学习如何改善模糊测试过程和结果，并对未来的模糊测试工作进行了展望。首先，本文讨论了为什么机器学习技术可以用于模糊场景的原因，并确定了六个不同的阶段，其中机器学习已被使用。然后从机器学习算法的选择、预处理方法、数据集、评价指标、超参数设置等方面对基于机器学习的模糊模型进行了系统的研究。接下来，本文根据常用的评估指标来评估机器学习模型的性能。评估结果表明，机器学习技术具有较好的模糊分类预测能力。最后，对传统的模糊检测工具和基于机器学习的模糊检测工具在发现漏洞方面的能力进行了比较分析。实验结果表明，引入机器学习技术可以提高模糊识别的性能。但仍存在训练样本不均衡、漏洞相关特征难以提取等局限性。
2019-08-04 cs.CR cs.LG
Multiple Targets Directed Greybox Fuzzing
有向灰盒模糊检测（DGF）通过寻找程序的某个位置或按顺序搜索某些位置，可以快速发现或重现程序中的错误。然而，由于其静态的阶段划分和粗粒度的能量调度，现有的DGF工具在面对多个目标位置（简称目标）时表现不佳。在本文中，我们提出了多目标定向灰盒模糊，旨在达到多个程序位置的模糊活动。具体来说，我们提出了一种新的策略，自适应协调探索和开发阶段，和一种新的能源调度策略，考虑更多的种子和目标位置之间的关系。我们在一个名为LeoFuzz的工具中实现了我们的方法，并在现实世界的程序中对崩溃再现，真阳性验证和漏洞暴露进行了评估。实验结果表明，LeoFuzz优于六种最先进的模糊器，即，在有效性和效率方面，QYSM、AFLGo、Lolly、Berry、Beacon和WindRanger。此外，LeoFuzz在现实世界的程序中检测到了23个新的漏洞，其中11个已经被分配了CVE ID。
2022-06-30 cs.CR cs.SE
BandFuzz: An ML-powered Collaborative Fuzzing Framework
本文提出机器学习驱动的协同模糊测试框架BANDFUZZ，利用多臂老虎机模型优化资源分配，在不增加计算资源的情况下超越现有独立和协同模糊测试器，并在全球竞赛中获第一名。
2025-07-21 cs.CR cs.SE
Augmenting Greybox Fuzzing with Generative AI
University of California Riverside（加州大学河滨分校）
本研究针对结构化输入程序的模糊测试瓶颈，提出融合生成式AI的灰盒模糊测试工具ChatFuzz，通过LLM生成符合格式的高质量种子变体，在12个目标程序上较AFL++提升12.77%的边覆盖率，明确语法规则程序的漏洞检测表现更优。
2023-06-11 cs.AI cs.CR
FOX: Coverage-guided Fuzzing as Online Stochastic Control
本文提出FOX，将覆盖率引导模糊测试建模为端到端在线随机控制问题，通过细粒度分支距离信息优化调度器和变异器，在38个测试程序上相比AFL++平均覆盖率提升最高达26.45%，并发现20个独特错误。
2024-06-06 cs.CR
INSTILLER: Towards Efficient and Realistic RTL Fuzzing
针对现有CPU RTL模糊测试输入指令过长、难模拟真实中断等问题，提出基于VACO的指令蒸馏工具INSTILLER，搭配硬件相关种子策略，在覆盖率、漏洞检测等指标上优于现有方法。
2024-01-29 cs.CR cs.SE
WGAN-AFL: Seed Generation Augmented Fuzzer with Wasserstein-GAN
针对模糊测试工具依赖高质量初始种子、低质量种子导致漏洞检测效率低的问题，提出采用WGAN架构训练GAN生成优质初始种子的WGAN-AFL，在代码覆盖率等指标上显著优于原始AFL。
2024-01-30 cs.CR
HyperGo: Probability-based Directed Hybrid Fuzzing
本文针对定向灰盒模糊测试的挑战，提出HyperGo定向混合模糊测试器，通过基于概率的距离适应度指标和OSEC互补方案优化测试效率，在基准测试中实现显著加速并发现37个未公开漏洞。
2025-02-12 cs.CR
Hybrid Fuzzing with LLM-Guided Input Mutation and Semantic Feedback
Independent Researcher（独立研究者）
本文提出一种结合LLM引导变异与语义反馈的混合模糊测试框架，在AFL++上实现，通过语义信号优先探索深层程序行为，在libpng等真实目标上取得更快的漏洞发现速度和更高的语义多样性。
2025-11-06 cs.AI cs.CR
LLAMAFUZZ: Large Language Model Enhanced Greybox Fuzzing
University of California, Davis（加州大学戴维斯分校）；University of Hong Kong（香港大学）
本文提出LLAMAFUZZ，利用大语言模型生成有效输入，提升灰盒模糊测试对结构化数据的处理能力，实验表明其在发现漏洞方面表现优异。
2026-03-17 cs.AI cs.CR cs.SE
FormatFuzzer: Effective Fuzzing of Binary File Formats
本文提出 FormatFuzzer，将 010 Editor 二进制模板编译为兼具解析、变异和生成能力的 C++ 模糊测试器，可独立使用或与 AFL 集成，并在 MP4、ZIP 测试中发现 ffmpeg 和 timidity 的未知内存错误。
2023-09-27 cs.CR cs.SE
SplITS: Split Input-to-State Mapping for Effective Firmware Fuzzing
针对单体固件外设输入中的多字节魔字符串障碍，提出 SplITS 拆分式输入到状态映射与定向变异方法，显著提升多字节比较求解、代码覆盖和漏洞发现。
2023-08-15 cs.CR
Retrieval Augmented Generation Based LLM Evaluation For Protocol State Machine Inference With Chain-of-Thought Reasoning
Faculty of Computer Science, MSA University（计算机科学学院，MSA大学）
本文提出一种结合RAG和思维链推理的智能体LLM架构，用于网络数据包种子生成与丰富化，通过动态参考RFC文档优化种子结构质量，在BLEU、ROUGE和WER指标上显著优于基线，提升了协议模糊测试发现隐藏漏洞的能力。
2025-06-27 cs.AI cs.CR cs.IR
FishFuzz: Throwing Larger Nets to Catch Deeper Bugs
灰盒模糊测试是在开发过程中发现bug的事实标准。模糊器执行许多输入以最大化可到达的代码量。最近，Directed Greybox Fuzzers（DGF）提出了一种超越“仅仅”覆盖的替代策略：通过选择“更接近”的种子来驱动测试朝向特定的代码目标。DGF经历不同的阶段：探索（即，到达感兴趣的位置）和利用（即，触发bug）。在实践中，DGF利用覆盖率直接衡量勘探，而开采量充其量是通过在不同目标之间交替来间接衡量的。具体地，我们观察到现有DGF中的两个限制：（i）它们在它们的距离度量中缺乏精度，即，将多个路径和目标平均为单个分数（以决定优先化哪些种子），以及（ii）它们以循环方式将能量分配给种子，而不调整目标的优先级（应当丢弃穷尽探索的目标）。我们提出了FishFuzz，它从拖网捕鱼中汲取灵感：首先撒一张宽网，刮取高覆盖率，然后慢慢地把它拉进去，以最大限度地收获。我们的模糊的核心是一种新的种子选择策略，建立在两个概念：（i）一种新的多距离度量，其精度是独立的目标的数量，和（ii）一个动态的目标排名，自动丢弃耗尽的目标。这种策略使FishFuzz能够无缝扩展到数万个目标，并在探索和开发阶段之间动态交替。我们通过利用所有消毒剂标签作为目标来评估FishFuzz。将FishFuzz与现代DGF和覆盖率引导的模糊器进行广泛比较，结果表明FishFuzz与直接竞争对手相比达到了更高的覆盖率，重现了…
2022-07-27 cs.CR
ELFuzz: Efficient Input Generation via LLM-driven Synthesis Over Fuzzer Space
本文提出ELFuzz方法，利用LLM驱动的进化合成自动生成定制模糊测试器，无需人工编写规格，在真实规模系统上实现了更高的覆盖率和漏洞发现率。
2025-08-12 cs.CR cs.SE
Pseudo-MDPs: A Novel Framework for Efficiently Optimizing Last Revealer Seed Manipulations in Blockchains
Nomadic Labs \& Université Paris Dauphine - PSL Paris France；Nomadic Labs \& Université Paris Dauphine - PSL
针对区块链最后揭示者攻击的MDP求解难题，提出伪MDP框架，通过双重归约将复杂度从指数级降至多项式级，并保证快速收敛，适用于资源受限场景。
2025-10-08 cs.CR cs.LG
RLTrace: Synthesizing High-Quality System Call Traces for OS Fuzz Testing
本研究针对操作系统模糊测试中现有系统调用轨迹覆盖场景有限的问题，提出基于深度强化学习的RLTrace方法，能合成更全面的系统调用轨迹，提升Linux内核测试的代码覆盖率，并发现了一个未公开的内核漏洞。
2023-10-04 cs.CR
