WhisperFuzz: White-Box Fuzzing for Detecting and Locating Timing Vulnerabilities in Processors
WhisperFuzz提出首个结合静态分析的白盒模糊测试器，通过提取微架构状态转换并测量执行时间，检测并定位处理器时序漏洞，在RISC-V处理器中发现12个新漏洞。
2024-03-14 cs.CR
FuzzLLM: A Novel and Universal Fuzzing Framework for Proactively Discovering Jailbreak Vulnerabilities in Large Language Models
针对大语言模型现有被动安全策略难抵御同类越狱漏洞的问题，提出自动化模糊测试框架FuzzLLM，通过模板捕捉提示结构、整合多类攻击生成测试用例，可高效主动发现多类大模型的越狱漏洞。
2024-04-14 cs.CR
RSFuzz: A Robustness-Guided Swarm Fuzzing Framework Based on Behavioral Constraints
针对多机器人集群逻辑漏洞检测难的问题，提出鲁棒性引导的RSFuzz集群模糊测试框架，通过行为约束鲁棒性评估状态、扰动关键节点缩小输入空间，构建两种攻击测试方案，在仿真中有效性和效率均优于现有方法，并验证了真实漏洞。
2025-10-03 cs.CR
Formal and Fuzzing Amplification: Targeting Vulnerability Detection in 5G and Beyond
本文提出融合形式化验证与模糊测试的分层框架，通过双向反馈在5G NSA的RRC流程中建立1个攻击模型并发现53个漏洞，提升大规模网络漏洞检测的可扩展性。
2023-07-11 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
ODDFUZZ: Discovering Java Deserialization Vulnerabilities via Structure-Aware Directed Greybox Fuzzing
提出混合解决方案ODDFUZZ，结合轻量级静态污点分析与结构感知的定向灰盒模糊测试，高效发现Java反序列化漏洞，在基准测试和真实应用中表现显著优于现有方法并发现多个新漏洞。
2023-04-09 cs.CR
$MC^2$: Rigorous and Efficient Directed Greybox Fuzzing
定向灰盒模糊测试是一种用于有针对性的软件测试的流行技术，旨在找到到达程序中一组目标站点的输入。大多数现有的有向灰盒模糊器没有提供任何理论分析，他们的性能或最优性。在本文中，我们引入了一个复杂性理论框架，将定向灰盒模糊化作为一个Oracle引导的搜索问题，其中一些关于输入空间的反馈（例如，输入与目标站点有多近）通过查询Oracle来接收。我们的框架假设每个Oracle查询都可以返回任意内容，其中包含大量但恒定的信息。因此，我们使用模糊算法找到目标到达输入所需的Oracle查询的数量作为性能度量。使用我们的框架，我们设计了一个随机定向灰盒模糊算法，使对数（wrt。所有可能输入的数量）期望找到目标到达输入的查询数量。我们进一步证明了我们的算法所需的oracle查询的数量是最优的，即，没有模糊算法可以改进（即，最小化）查询计数超过一个常数因子。我们在MC $^2$中实现了我们的方法，并在具有挑战性的基准测试（Magma和Fuzzer测试套件）上超过了最先进的有向灰盒模糊器两个数量级（即，$134\times$）的平均值。MC $^2$还发现了15个以前未发现的错误，这些错误是其他最先进的直接灰盒模糊器未能发现的。
2022-08-30 cs.CR
LibAFL-DiFuzz: Advanced Architecture Enabling Directed Fuzzing
本文提出 LibAFL-DiFuzz 定向模糊测试架构，通过上下文权重和间接调用解析提升到达深层目标点的效率，并在多个基准上相比 AFLGo 和 BEACON 实现暴露时间加速。
2025-07-07 cs.CR
ProphetFuzz: Fully Automated Prediction and Fuzzing of High-Risk Option Combinations with Only Documentation via Large Language Model
ProphetFuzz利用大语言模型仅凭文档自动预测高风险选项组合并进行模糊测试，在52个程序上以极低成本发现大量漏洞，显著优于现有方法。
2024-09-02 cs.CR
ContractFuzzer: Fuzzing Smart Contracts for Vulnerability Detection
去中心化的加密货币的特点是使用区块链在没有中央机构的网络上的同行之间转移价值。智能合约是在区块链共识协议之上运行的程序，使人们能够在最小化信任的同时达成协议。数以百万计的智能合约已经部署在各种分散的应用程序中。这些智能合约中的安全漏洞对其应用程序构成了重大威胁。事实上，以太坊平台上智能合约中的许多关键安全漏洞已经给用户造成了巨大的经济损失。在这项工作中，我们提出了ContractFuzzer，一种新颖的模糊器，用于测试以太坊智能合约的安全漏洞。ContractFuzzer基于智能合约的ABI规范生成模糊输入，定义测试预言机来检测安全漏洞，仪表EVM记录智能合约运行时行为，并分析这些日志以报告安全漏洞。我们对6991份智能合约进行了模糊处理，高精度地标记了超过459个漏洞。特别是，我们的fuzzing工具成功地检测到了导致6000万美元损失的DAO合约漏洞，以及导致3000万美元损失和价值1.5亿美元的以太币冻结的Parity Wallet漏洞。
2018-08-03 cs.CR cs.SE
Rust and Go directed fuzzing with LibAFL-DiFuzz
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（莫斯科罗蒙诺索夫国立大学）
本文提出针对Rust和Go的定向灰盒模糊测试方法，通过预处理、编译器定制和图构建技术提升测试效率和准确性。
2026-10-06 cs.CR
HyPFuzz: Formal-Assisted Processor Fuzzing
提出混合模糊测试器HyPFuzz，利用形式化验证工具优化时空调度以测试处理器难以到达的设计空间，在五个开源处理器上发现三个新漏洞并实现11.68倍覆盖率提升。
2023-06-24 cs.CR
Directed Greybox Fuzzing via Large Language Model
本文提出HGFuzzer，利用大语言模型将路径约束转化为代码生成任务并设计专用mutator，显著提升定向灰盒模糊测试效率，在20个真实漏洞中触发17个并发现9个新CVE漏洞。
2025-05-06 cs.CR
PILOT: Command-line Interface Fuzzing via Path-Guided, Iterative Large Language Model Prompting
The University of Tokyo（东京大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
PILOT通过引导路径和迭代式大语言模型提示生成命令行参数和输入文件，提升模糊测试覆盖率并发现51个零日漏洞。
2026-03-13 cs.CR
The Progress, Challenges, and Perspectives of Directed Greybox Fuzzing
本文综述了定向灰盒模糊测试（DGF）的进展、挑战与前景，基于42个相关模糊测试工具，从位置定向和行为定向两个维度深入分析了DGF的实证研究，并揭示了当前研究的差距与未来机会。
2023-11-21 cs.CR
Buzz to Boom: Detecting Message Progression Vulnerabilities in Electron Applications via Segmented Directed Fuzzing
Johns Hopkins University（约翰斯·霍普金斯大学）
研究针对 Electron 应用程序中消息进展漏洞的检测，提出 Proton 分段定向模糊测试框架，沿消息传递边界分解模糊测试，从各进程合成崩溃输入验证利用，经对 589 个应用评估发现 23 个零日漏洞，推动相关修复并获致谢与赏金。
2026-07-24 cs.CR
FuzzSense: Towards A Modular Fuzzing Framework for Autonomous Driving Software
针对自动驾驶软件模糊测试工具分散、缺乏整合策略的问题，提出模块化黑盒变异框架FuzzSense，整合多工具并在AWSIM与Autoware.Universe实现，成功发现漏洞并开源以推动社区框架建立。
2025-04-14 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
xFuzz: Machine Learning Guided Cross-Contract Fuzzing
智能合约交易越来越多地被交叉合约调用所交织。虽然已经开发了许多工具来识别一组常见的漏洞，但现有工具忽略了跨合同漏洞。跨合约漏洞是指存在两个以上交互合约时出现的可利用漏洞。然而，现有的方法仅限于同时分析最多两个合同。检测跨合约漏洞是非常重要的。多个交互合约的搜索空间比单个合约的搜索空间大得多。为了解决这个问题，我们提出了xFuzz，一个机器学习引导的智能合约模糊框架。机器学习模型用新特征（例如，字向量和指令），并用于过滤可能的良性程序路径。与现有的静态工具相比，机器学习模型具有更强的鲁棒性，避免了在特定工具中直接采用人工定义的规则。我们将xFuzz与三种最先进的工具在7，391份合同上进行了比较。xFuzz检测到18个可利用的跨合约漏洞，其中15个漏洞为首次曝光。此外，我们的方法被证明在检测非交叉合同漏洞方面也很有效-使用不到20%的时间作为其他模糊工具，xFuzz检测到两倍的漏洞。
2022-06-30 cs.CR cs.SE
Automated Fuzzing Harness Generation for Library APIs and Binary Protocol Parsers
提出一种通过分析单元测试自动生成库API和二进制协议解析器模糊测试驱动程序的系统，并开发指标评估API的模糊测试价值以优先测试目标。
2023-07-02 cs.CR
Scanning of Rich Web Applications for Parameter Tampering Vulnerabilities
Web应用程序需要在客户端和服务器之间交换参数才能正常工作。在现实世界的系统中，如网上银行转账，遍历多个页面与用户和服务器提供的参数是必须的，因此应用程序必须强制跨多个请求的工作流和参数依赖性控制。然而，应用不充分的服务器端输入验证的应用程序容易受到参数篡改攻击，这会操纵交换的参数。然而，现有的基于模糊的扫描方法忽略了这些重要的控制，这导致它们的模糊请求在到达任何易受攻击的代码之前被丢弃。在本文中，我们提出了一种新的方法来识别工作流和参数相关的约束，然后保持和利用自动检测服务器接受模糊。我们通过构建一个通用的黑盒参数篡改扫描器来实现该方法。它成功地发现了一些严重的漏洞，包括一个来自最大的跨国银行网站，其他扫描程序错过了。
2014-06-06 cs.CR
CuFuzz: Hardening CUDA Programs through Transformation and Fuzzing
Georgia Tech（佐治亚理工学院）；Intel Labs（英特尔实验室）
CuFuzz通过编译器转换和模糊测试技术，首次为CUDA程序提供内存安全漏洞检测，提升GPU应用的安全性与可靠性。
2026-01-03 cs.CR
Improving Fuzzing Using Software Complexity Metrics
易受攻击的软件对现代信息系统构成了巨大的威胁。广泛应用程序中的漏洞可能被用来传播恶意软件，窃取资金和进行目标攻击。为了解决这个问题，开发人员和研究人员使用不同的动态和静态软件分析方法;其中一种方法称为模糊分析。Fuzzing是通过生成并发送可能格式错误的数据到被测应用程序来执行的。自1988年首次出现以来，模糊技术已经发展了很多，但直到现在，针对有效性评估的问题还没有得到充分的研究。在我们的研究中，我们提出了一种新的模糊效果评估方法，考虑到执行代码的语义以及定量评估。为此，我们使用源代码复杂性评估的具体指标，适用于执行分析的机器码。我们对104个具有已知漏洞的广泛应用程序进行了这些指标的有效性评估。作为这些实验的结果，我们能够识别出一组更适合发现bug的指标。此外，我们进行了单独的实验，7个应用程序没有已知的漏洞，通过使用一套指标。实验结果表明，该方法可以提高模糊检测的性能。此外，这些工具还帮助检测了广泛应用程序中的两个关键零日（以前未知）漏洞。
2018-07-05 cs.CR cs.SE
JustSTART: How to Find an RSA Authentication Bypass on Xilinx UltraScale(+) with Fuzzing
本研究提出ConFuzz框架对Xilinx FPGA配置引擎进行模糊测试，定义3种新策略，成功发现导致系统崩溃的漏洞，并找到能绕过UltraScale(+) RSA认证的JustSTART漏洞。
2024-02-15 cs.CR
Logic Solver Guided Directed Fuzzing for Hardware Designs
本文提出 TargetFuzz，利用基于 SAT 的逻辑求解在原生硬件抽象层引导定向模糊测试，无需等效软件模型即可精确覆盖 RTL 目标位点，并显著提升扩展性与覆盖率。
2025-09-30 cs.CR
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
SemFuzz: A Semantics-Aware Fuzzing Framework for Network Protocol Implementations
Tianjin University（天津大学）；QI-ANXIN Codesafe Team（奇安信代码卫士团队）；Jiangxi Normal University（江西师范大学）
SemFuzz通过语义感知模糊测试框架，利用大语言模型提取协议语义规则，生成违反规则的测试用例，有效检测网络协议中的深层次语义漏洞。
2026-03-06 cs.CR cs.CY
deepSURF: Detecting Memory Safety Vulnerabilities in Rust Through Fuzzing LLM-Augmented Harnesses
Purdue University（普渡大学）
deepSURF结合静态分析与LLM引导的模糊测试，自动生成并增强测试工具，有效检测Rust不安全代码中的内存安全漏洞，在63个真实crate上重新发现30个已知错误并发现12个新漏洞。
2025-10-24 cs.CR cs.LG cs.SE
AFLGopher: Accelerating Directed Fuzzing via Feasibility-Aware Guidance
针对现有定向模糊测试引导机制未考虑路径可行性的问题，提出可行性感知引导的定向模糊测试工具AFLGopher，经实验验证其抵达目标、触发已知漏洞的速度显著优于当前最优同类工具。
2025-11-13 cs.CR cs.SE
PSOFuzz: Fuzzing Processors with Particle Swarm Optimization
本文提出 PSOFuzz，用改进粒子群优化动态调度变异算子并生成初始种子，以提升处理器硬件模糊测试的漏洞检测速度与覆盖率。
2023-08-18 cs.CR
Learning Inputs in Greybox Fuzzing
灰盒模糊测试是一种轻量级的测试方法，可以有效地检测错误和安全漏洞。然而，灰盒模糊器随机地改变程序输入以执行新的路径;这使得覆盖由复杂检查保护的代码变得具有挑战性。在本文中，我们提出了一种技术，扩展灰盒模糊的方法，学习新的输入的基础上已经探索的程序执行。可以学习这些输入，以便它们引导对特定执行的探索，例如，增加路径覆盖或揭示漏洞的探索。我们已经评估了我们的技术，并将其与传统的灰盒模糊26现实世界的基准。相比之下，我们的技术显着增加了路径覆盖率（高达3倍），并检测到更多的错误（高达38%），通常更快。
2018-07-20 cs.CR cs.SE
HFContractFuzzer: Fuzzing Hyperledger Fabric Smart Contracts for Vulnerability Detection
区块链技术凭借其去中心化、不可变性等独特优势，近年来在各个领域得到广泛应用。运行在区块链上的智能合约也在去中心化应用场景中发挥着越来越重要的作用。因此，智能合约安全漏洞的自动检测成为区块链技术应用中亟待解决的问题。Hyperledger Fabric是一个基于企业级许可分布式账本技术的智能合约平台。然而，Hyperledger Fabric智能合约的漏洞检测技术研究仍处于起步阶段。在本文中，我们提出了HFContractFuzzer，这是一种基于Fuzzing技术来检测Hyperledger Fabric智能合约的方法，它结合了一个名为go-fuzz的golang Fuzzing工具和golang编写的智能合约。我们使用HFContractFuzzer从典型的来源中检测出五个合同中的漏洞，发现其中四个存在安全漏洞，证明了所提出的方法的有效性。
2021-06-21 cs.CR cs.SE
G-Fuzz: A Directed Fuzzing Framework for gVisor
针对 gVisor 内核提出定向模糊测试框架 G-Fuzz，通过轻量距离计算、目标相关系统调用推断和探索利用动态切换，显著优于 Syzkaller，并已在工业界检测多个严重漏洞。
2024-09-20 cs.CR
Smart Contract Fuzzing Towards Profitable Vulnerabilities
针对智能合约可获利漏洞检测与利润最大化的问题，提出以利润为中心的模糊测试框架VERITE，通过DeFi操作变异器、异常资金流识别及梯度下降策略，在真实DeFi项目中检测和获利表现显著优于现有工具，还助力发现零日漏洞获赏金。
2025-02-12 cs.CR cs.SE
Static Exploration of Taint-Style Vulnerabilities Found by Fuzzing
污点类型的漏洞包括大多数模糊发现的程序故障。这些漏洞通常表现为受污染的程序输入导致的内存访问违规。尽管模糊器已经帮助发现了大多数软件中的污点类型的漏洞，但它们受限于（i）测试覆盖范围;（ii）可模糊测试用例的可用性。因此，单独的模糊化不能提供所有污染类型的漏洞都已被发现的高度保证。在本文中，我们使用静态模板匹配找到模糊发现漏洞的递归。为了弥补模板匹配固有的不完整性，我们实现了一个简单而有效的匹配排名算法，使用测试覆盖率数据集中注意力在那些匹配，包括未经测试的代码。我们使用Clang/LLVM编译器工具链对我们的方法进行原型设计，并将其与afl-fuzzz（一种现代覆盖率引导模糊器）结合使用。使用案例研究进行的开放vSwitch代码库，我们表明，我们的原型发现角落的情况下，缺乏一个模糊的测试工具的模块。我们的工作表明，静态分析可以有效地补充模糊测试，是一个有用的除了安全评估工具集。此外，我们的技术承诺提高程序分析和测试的有效性，并作为一个混合漏洞发现框架的构建块。
2017-06-01 cs.CR cs.PL cs.SE
NLP-based Cross-Layer 5G Vulnerabilities Detection via Fuzzing Generated Run-Time Profiling
Stevens Institute of Technology（史蒂文斯理工学院）
提出一种基于NLP和机器学习的方法，利用模糊测试生成的运行时性能分析文档自动检测5G栈漏洞，在srsRAN上实现93.4%-95.9%的准确率。
2023-05-14 cs.CR cs.LG cs.SE
GoldenFuzz: Generative Golden Reference Hardware Fuzzing
Technical University of Darmstadt（达姆施塔特工业大学）
GoldenFuzz通过生成式黄金参考模型实现高效的硬件模糊测试，显著提升覆盖率并发现多个严重漏洞。
2025-12-25 cs.CR
Capturing Monetarily Exploitable Vulnerability in Smart Contracts via Auditor Knowledge-Learning Fuzzing
University of Minnesota - Twin Cities（明尼苏达大学双城分校）；Fudan University（复旦大学）；Xi’an Jiaotong University（西安交通大学）
本文提出FAUDITOR，通过整合审计报告和自学习机制，有效识别智能合约中的可货币化漏洞，发现220个零日漏洞，提升检测效率和覆盖率。
2026-04-20 cs.CR
DeFuzz: Deep Learning Guided Directed Fuzzing
Swinburne University Of Technology（斯威本科技大学）；CSIRO & DATA61（英联邦科学与工业研究组织（CSIRO）& DATA61）
模糊技术是识别潜在软件漏洞的最有效的技术之一。大多数模糊器旨在提高代码覆盖率，并且缺乏直接性（例如，模糊软件中的指定路径）。本文提出了一种基于深度学习（DL）的定向模糊检测方法DeFuzz，用于软件漏洞检测。DeFuzz包括两个主要方案：（1）我们采用预训练的DL预测模型来识别潜在的脆弱函数和位置（即，易受攻击的地址）。准确地说，我们使用Bidirectional-LSTM（BiLSTM）来识别注意词，并且漏洞与函数中的这些注意词相关联。(2)然后，我们通过生成倾向于到达预测位置的输入，直接采用模糊化来模糊潜在的漏洞。为了评估所提出的DeFuzz技术的有效性和实用性，我们在真实世界的数据集上进行了实验。实验结果表明，我们的DeFuzz可以发现覆盖比AFL更多，更快。此外，DeFuzz在真实世界的应用程序中比AFL多暴露了43个错误。
2020-10-23 cs.CR cs.LG
Fuzzing the Latest NTFS in Linux with Papora: An Empirical Study
本文实现首个针对 Linux 内核 NTFS3 的有效模糊测试器 Papora，发现并报告了 3 个 CVE 级 0-day 漏洞和 9 个严重缺陷，并通过实证研究分析了漏洞成因与类型，为 NTFS3 安全提供实践指导。
2023-04-14 cs.CR
RustGo: Fairly Directed Greybox Fuzzing for Enforcing Rust Memory Safety
Korea University（高丽大学）；Ulsan National Institute of Science and Technology（蔚山科学技术院）；The Pennsylvania State University（宾夕法尼亚州立大学）
RustGo是针对Rust的定向灰盒模糊器，通过Rust特有静态分析聚焦潜在内存漏洞区域，修剪无关路径，在现实应用中表现优于现有模糊器并识别出13个未知漏洞。
2026-08-07 cs.CR
LLM4Fuzz: Guided Fuzzing of Smart Contracts with Large Language Models
LLM4Fuzz利用大型语言模型智能引导模糊测试，优先探索高价值代码区域和输入序列，并支持基于用户定义不变量的引导，在真实DeFi项目中显著提升效率、覆盖率与漏洞检测能力，发现五个可致超24.7万美元损失的高危漏洞。
2024-01-20 cs.CR cs.SE
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
Detecting Exploit Primitives Automatically for Heap Vulnerabilities on Binary Programs
自动漏洞生成（AEG）是一项众所周知的艰巨任务，尤其是对于堆漏洞。以前的工作首先检测堆漏洞，然后通过使用符号执行和模糊技术的二进制程序搜索可利用的状态。然而，使用模糊技术或符号技术并不总是容易发现错误，也不总是能够解决堆对象的内部溢出问题。本文提出了一种基于连续关键行为模型的堆漏洞检测方法DEPA。DEPA的核心包含两个新技术，1）通过指针依赖分析识别连续关键行为，2）利用原语确定方法，包括触发漏洞和利用原语。对11个存在堆漏洞的CTF（capture the flag）程序进行了DEPA测试，除程序多堆漏洞外，DEPA还能发现10个程序的任意写和任意跳漏洞。实验结果表明，该方法能够准确、有效地识别攻击行为，确定攻击原语。此外，DEPA在确定堆对象内部溢出的利用原语方面优于最先进的工具
2022-12-23 cs.CR
BullsEye: Directed Firmware Fuzzing
Sapienza University of Rome（罗马大学）；LUISS University（鲁斯自由大学）
本文提出首个基于基本块级距离调度闭源Linux固件模糊测试的定向灰盒模糊测试框架BULLSEYE，在40个漏洞位点上的漏洞暴露时间较基线缩短9.5至72.5倍，性能优于对比框架。
2026-08-19 cs.CR
IoTFuzzSentry: A Protocol Guided Mutation Based Fuzzer for Automatic Vulnerability Testing in Commercial IoT Devices
本文提出协议引导的变异模糊测试工具IoTFuzzSentry，通过注入构造的传输/应用层数据包，自动发现商用物联网设备漏洞，并在真实设备上验证了四类漏洞，已发布两个CVE。
2025-09-11 cs.CR
DifFuzz: Differential Fuzzing for Side-Channel Analysis
侧信道攻击允许攻击者通过观察程序相对于资源的行为（例如执行时间、消耗的内存或响应大小）来发现秘密程序数据。侧通道漏洞很难推理，因为它们涉及分析多个程序路径上资源使用之间的相关性。我们提出了DifFuzz，一种基于模糊的方法，用于检测与时间和空间相关的侧通道漏洞。DifFuzz通过分析程序的两个版本并使用资源引导的搜索来找到最大化秘密依赖路径之间的资源消耗差异的输入，从而自动检测这些漏洞。DifFuzz的方法是通用的，可以应用于任何语言编写的程序。在本文中，我们提出了一种实现，目标分析的Java程序，并使用和扩展的Kelinci和AFL模糊。我们评估了大量的Java程序的DifFuzz，并证明它可以揭示流行的应用程序中的未知的侧通道漏洞。我们还表明，DifFuzz比较有利的Blazer和Themis，两个国家的最先进的分析工具，在Java程序中找到侧通道。
2019-02-26 cs.CR cs.SE
ChainFuzzer: Greybox Fuzzing for Workflow-Level Multi-Tool Vulnerabilities in LLM Agents
Sun Yat-sen University（中山大学）
本文提出ChainFuzzer，通过可审计证据发现和复现多工具漏洞，利用TPS合成稳定提示并结合防护机制提升漏洞触发率，验证了20个流行开源LLM代理应用中的365个可复现漏洞。
2026-03-13 cs.CR cs.SE
The Emergence of Hardware Fuzzing: A Critical Review of its Significance
本文批判性综述硬件模糊测试的兴起，分析其原理、方法及在复杂硬件设计中的适用性，评估其采用潜力并指出研究空白。
2024-03-19 cs.CR
Qualcomm Trusted Application Emulation for Fuzzing Testing
本研究针对高通TEE中的可信应用（TAs）提出了一款新型轻量级仿真器，结合逆向工程与模糊测试技术有效发现潜在安全漏洞，并首次公开其实现方法与源代码，为安全测试提供了便捷高效的方案。
2025-07-11 cs.CR
Directed Greybox Fuzzing with Stepwise Constraint Focusing
动态数据流分析已被广泛用于指导灰盒模糊。然而，传统的动态数据流分析在海量路径跟踪中容易误入歧途，需要处理大量数据，导致到达目标位置的效率较低。本文提出了一种基于动态约束过滤与聚焦（CONFF）的有向灰盒模糊器。首先，跟踪所有路径约束，并将优先级高的路径约束筛选为下一个解决方案目标。然后，针对需要满足的单路径约束，通过多字节映射和单字节映射，得到其数据条件，并探索其与输入字节的映射关系。最后，利用各种变异策略求解当前关注的路径约束，通过路径选择逐步逼近程序的目标位置。CONFF模糊器可以更快地到达目标程序中的特定位置，从而有效地触发崩溃。我们设计并实现了一个CONFF模糊器的原型，并使用LAVA-1数据集和一些真实世界的漏洞对其进行了评估。结果表明，CONFF模糊器可以重现LAVA-1数据集上的崩溃和大多数真实世界的漏洞。对于大多数漏洞，与最先进的模糊器相比，CONFF模糊器以显著减少的时间再现了崩溃。平均而言，CONFF模糊器比最先进的基于代码覆盖的模糊器Angora快23.7倍，比经典的有向灰盒模糊器AFLGo快27.3倍。
2023-03-27 cs.CR
Security Knowledge-Guided Fuzzing of Deep Learning Libraries
提出Orion模糊测试工具，结合引导式与边界情况输入生成，基于历史漏洞根因构建规则，在TensorFlow和PyTorch上检测出135个漏洞，其中76个已确认，显著优于现有模糊测试工具。
2023-12-24 cs.CR cs.SE
Berserker: ASN.1-based Fuzzing of Radio Resource Control Protocol for 4G and 5G
电信网络和移动电话必须经过严格测试，以确保其安全性。RRC协议负责无线资源的管理，并且是最重要的电信协议之一，其广泛的测试是有保证的。为此，我们提出了一种用于4G和5G的新型RRC模糊器，称为Berserker。Berserker的新颖性来自于向后和向前兼容任何版本的4G和5G RRC技术规范。它基于ASN. 1中的RRC消息格式定义，并且另外涵盖在RRC中隧穿的另一协议（称为NAS）的模糊测试。Berserker使用电信协议栈的具体实现，不受加密和分段等较低层协议处理的影响。它还能够避免RRC消息格式定义中的大小和类型约束。Berserker在srsLTE中发现了两个以前未知的严重漏洞-其中一个也影响到openLTE -证实了其对电信鲁棒性的适用性。
2021-12-02 cs.CR
FuzzySQL: Uncovering Hidden Vulnerabilities in DBMS Special Features with LLM-Driven Fuzzing
National University of Defense Technology（国防科技大学）；Tsinghua University（清华大学）；Hunan University（湖南大学）
FuzzySQL结合语法引导的SQL生成与逻辑偏移渐进变异技术，发现数据库管理系统特殊功能中的细微漏洞，揭示传统模糊测试在语义覆盖上的局限性。
2026-03-23 cs.CR cs.DB cs.SE
