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
Efficient Greybox Fuzzing to Detect Memory Errors
灰盒模糊测试是一种行之有效的测试方法，用于检测现代软件系统中的安全漏洞和其他错误。灰盒模糊还可以与诸如AddressSanitizer（ASAN）之类的杀毒程序结合使用，以进一步增强对某些类别的错误的检测，例如缓冲区溢出和释放后使用错误。然而，消毒剂也引入了额外的性能开销，这可能会降低灰盒模式模糊的性能-用ASAN模糊的2.36倍的数量级测量-首先部分否定了使用消毒剂的好处。最近的研究将额外的开销归因于程序启动/拆卸成本，这可能会主导fork模式模糊。在本文中，我们提出了一个新的内存错误消毒设计，专门针对叉模式模糊优化。其基本思想是使用随机标记来标记对象边界，而不是使用不相交的元数据（如传统的消毒设计所使用的）。然后，所有读/写操作都被检测以检查令牌，如果存在，则将检测到内存错误。由于我们的设计不使用不相交的元数据，它也是非常轻量级的，这意味着程序启动和拆卸成本最小化的fork模式模糊的好处。我们以ReZZan工具的形式实现了我们的设计，并根据配置的不同，显示出1.14- 1.27倍的改进模糊性能开销。
2022-09-04 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
MulCovFuzz: A Multi-Component Coverage-Guided Greybox Fuzzer for 5G Protocol Testing
Swinburne University of Technology（斯威本科技大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61）；CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61）
MulCovFuzz通过多组件覆盖引导机制提升5G协议测试效率，发现多个零日漏洞。
2026-02-25 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
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
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
Targeted Greybox Fuzzing with Static Lookahead Analysis
自动测试生成通常旨在生成输入，以探索被测程序中的新路径，从而发现bug。现有的工作，因此，集中在引导探索程序的部分，更有可能包含错误，通过使用离线静态分析。在本文中，我们介绍了一种新的技术，有针对性的灰盒模糊使用一个在线的静态分析，引导模糊对一组目标位置，例如，位于最近修改的部分程序。这是通过首先从语义上分析模糊器的测试套件中的输入所探索的每个程序路径来实现的。这个分析的结果然后被用来控制模糊器的专用功率调度，其确定从测试套件模糊输入的频率。我们通过为以太坊智能合约扩展最先进的工业模糊器来实现我们的技术，并在27个真实世界的基准测试中评估其有效性。使用在线分析特别适合智能合约领域，因为它不需要任何代码插装-插装到合约中会改变它们的语义。我们的实验表明，有针对性的模糊显着优于标准的灰盒模糊达到83%的挑战性目标位置（高达14倍的中位数加速）。
2019-05-17 cs.CR cs.SE
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
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
Superion: Grammar-Aware Greybox Fuzzing
近年来，基于覆盖率的灰盒模糊技术已被证明是在实践中发现安全漏洞的最有效的技术之一。特别是美国的Fuzzy Lop（简称AFL）算法，被认为在相对简单的测试输入的模糊化方面取得了巨大的成功。然而，当遇到XML和JavaScript等结构化测试输入时，AFL中的语法盲裁剪和变异策略阻碍了AFL的有效性和效率。为此，我们提出了一个基于覆盖率的模糊处理结构化输入的灰盒模糊方法。鉴于语法（这往往是公开的）的测试输入，我们引入了一个语法感知修剪策略修剪测试输入在树级使用的抽象语法树（AST）解析的测试输入。此外，我们引入了两种语法感知的突变策略（即，增强的基于字典的突变和基于树的突变）。具体来说，基于树的变异通过使用解析的测试输入的AST替换子树来工作。该方法具有语法感知能力，可以将模糊推理的探索扩展到广度和深度。我们实现了我们的方法作为一个扩展AFL，命名为Escapon;和评估Escapon在现实生活中的大型程序（XML引擎libplist和三个JavaScript引擎WebKit，Jerryscript和ChakraCore）的有效性。我们的研究结果表明，ESPON可以提高代码覆盖率（即，行和函数覆盖率分别为16.7%和8.8%）和缺陷发现能力（即，31个新漏洞，其中我们发现了21个新漏洞，分配了16个CVE，并通过AFL和jsfunfuzz获得了3.2K美元的漏洞奖励。我们还证明了我们…
2019-01-23 cs.CR cs.SE
Large Language Model assisted Hybrid Fuzzing
本文提出一种基于大型语言模型（LLM）的混合模糊测试器 HyLLfuzz，利用 LLM 作为求解器替代传统符号执行来生成修改输入以突破覆盖率障碍，相比 AFL、Intriguer 和 Qsym 展现出更优的覆盖率且执行速度提升 4-19 倍。
2024-12-20 cs.CR cs.SE
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
Triggering and Detecting Exploitable Library Vulnerability from the Client by Directed Greybox Fuzzing
Zhejiang University（浙江大学）；Central University of Finance and Economics（中央财经大学）
本文提出LiveFuzz方法，基于定向灰盒模糊测试检测客户端程序触发库漏洞的可利用性，无需证明概念，通过目标元组扩展DGF技术，引入抽象路径映射机制和风险自适应突变策略，提升路径覆盖率和漏洞暴露速度。
2026-04-05 cs.CR cs.SE
SNPSFuzzer: A Fast Greybox Fuzzer for Stateful Network Protocols using Snapshots
灰盒模糊技术在无状态程序中得到了广泛的应用，并取得了巨大的成功。然而，现有的灰盒模糊器在对能够记忆和存储交互细节的有状态网络协议程序进行模糊处理时，普遍存在速度慢、状态深度覆盖浅的问题。现有的用于网络协议程序的灰盒模糊器首先发送一系列定义良好的输入消息的前缀序列，然后发送突变的消息来测试有状态网络协议的目标状态。上面提到的过程造成了很高的时间成本。在本文中，我们提出了SNPSFuzzer，一个快速灰盒模糊的有状态网络协议使用快照。SNPSFuzzer在网络协议程序处于特定状态时转储上下文信息，并在需要模糊化状态时恢复上下文信息。此外，我们设计了一个消息链分析算法，以探索更多和更深层次的网络协议状态。实验结果表明，与最新的网络协议灰盒模糊器AFLNET相比，SNPSFuzzer在24小时内将网络协议模糊速度提高了112.0%~ 168.9%，路径覆盖率提高了21.4%~ 27.5%。此外，SNPSFuzzer暴露了Tinydtls程序中以前未报告的漏洞。
2022-02-17 cs.CR cs.CY
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
Harvey: A Greybox Fuzzer for Smart Contracts
我们介绍Harvey，一个用于智能合约的工业灰盒模糊器，智能合约是在区块链上管理账户的程序。灰盒模糊测试是一种轻量级的测试生成方法，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;这使得覆盖由窄检查保护的代码变得具有挑战性，窄检查仅由几个输入值满足。此外，大多数现实世界的智能合约在其生命周期中会经历许多不同的状态，例如，拍卖中的每一次出价为了探索这些状态并由此检测深层漏洞，灰盒模糊器将需要生成合同交易的序列，例如，通过创建来自多个用户的出价，同时保持搜索空间和测试套件易于处理。在这篇经验论文中，我们解释了Harvey如何通过两种关键的模糊技术来应对这两个挑战，并从中吸取了主要的经验教训。首先，Harvey扩展了标准的灰盒模糊，使用一种方法来预测更有可能覆盖新路径或揭示智能合约中漏洞的新输入。其次，它以有针对性和需求驱动的方式模糊交易序列。我们已经对27份真实合同进行了评估。我们的实验表明，底层技术显着提高了Harvey在实现高覆盖率和检测漏洞方面的有效性，在大多数情况下，速度更快;它们还揭示了有关合同代码的新见解。
2019-05-15 cs.CR cs.SE
AdaRare: Telemetry-Guided Joint Profile Control for Greybox Fuzzing
Fuzhou University（福州大学）
AdaRare是AFL++扩展，通过遥测引导的联合剖面控制优化灰盒模糊测试，在多组实验中提升了边覆盖率，还发现了5个内存漏洞。
2026-08-20 cs.CR
Beyond Imprecise Distance Metrics: Trace-Guided Directed Greybox Fuzzing via LLM-Predicted Call Stacks
Peking University（北京大学）
通过LLM预测调用栈引导的定向灰盒模糊测试，提升漏洞触发效率并发现新漏洞。
2026-01-31 cs.CR cs.PL cs.SE
BackREST: A Model-Based Feedback-Driven Greybox Fuzzer for Web Applications
随着美国模糊Lop（AFL）的出现，模糊化的流行程度激增，现代模糊化的范围从简单的黑盒随机输入生成器到复杂的白盒concolic框架，能够进行深度程序内省。然而，Web应用程序模糊器并没有从二进制程序模糊化的巨大进步中受益，并且在本质上仍然是黑盒。本文介绍了BackREST，这是一个完全自动化的，基于模型的，覆盖和污染驱动的模糊器，它使用其反馈循环来更快地找到更关键的漏洞（加速比在7.4倍和25.9倍之间）。为了对Web应用程序的服务器端进行建模，BackREST通过定向状态感知爬行自动推断REST规范。在五个大型（>500 Kbps）Node.js应用程序上将BackREST与其他三个Web模糊器进行比较，显示了它如何始终实现可比的覆盖率，同时报告比最新技术更多的漏洞。最后，使用BackREST，我们发现了九个0天，其中六个没有被任何其他模糊器报告。所有的0-days都已经被公开，其中大部分现在都是公开的，包括两个在非常流行的Sequelize和Mongodb库中。
2021-08-19 cs.CR
StateAFL: Greybox Fuzzing for Stateful Network Servers
模糊网络服务器是一项技术挑战，因为目标服务器的行为取决于其在多个消息序列中的状态。现有的解决方案成本高昂且难以使用，因为它们依赖于手动定制的工件，如协议模型、协议解析器和学习框架。这项工作的目的是开发一个灰盒模糊器（StateaAFL）的网络服务器，只依赖于轻量级的分析的目标程序，没有手动定制，以类似的方式实现无状态程序的AFL模糊。建议模糊仪器的目标服务器在编译时，插入探针的内存分配和网络I/O操作。在运行时，它通过获取长期内存区域的快照，并通过应用模糊哈希算法（局部敏感哈希）将内存内容映射到唯一的状态标识符，来推断目标服务器的当前协议状态。模糊器逐步建立一个协议状态机，用于指导模糊。我们实现并发布了StateaAFL作为开源软件。作为可重复实验的基础，我们将StateaAFL与一系列流行协议的网络服务器集成在一起，无需手动定制以适应协议。实验结果表明，模糊器可以适用于一个大的网络服务器上流行的协议，没有手动定制，它可以实现可比的，甚至更好的代码覆盖率和错误检测比定制的模糊。此外，我们的定性分析表明，从内存推断的状态更好地反映服务器的行为，而不是只使用响应代码的消息。
2022-10-04 cs.CR cs.OS cs.SE
FuzzingDriver: the Missing Dictionary to Increase Code Coverage in Fuzzers
我们提出了一个工具，称为FuzzingDriver，从任何目标程序的代码库中生成基于覆盖的灰盒模糊器（CGF）的字典令牌。FuzzingDriver不会向模糊作业添加任何开销，因为它是预先运行的。我们通过模糊六个开源目标将FuzzingDriver与Google字典进行了比较，我们发现FuzzingDriver在所有测试中始终实现了更高的代码覆盖率。我们还在FuzzBench上执行了八个基准测试，以演示如何利用FuzzingDriver的字典胜过六个广泛使用的CGF模糊器。在未来的工作中，调查FuzzingDriver的字典对提高bug覆盖率的影响可能会很重要。视频演示：https://www.youtube.com/watch? v=Y8j_KvfRrI8
2022-01-13 cs.CR
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
Stateful protocol fuzzing with statemap-based reverse state selection
针对现有有状态覆盖灰盒模糊测试未关联程序覆盖与协议状态的问题，提出基于状态映射的反向状态选择方法，开发SMGFuzz工具，在边覆盖、崩溃发现和执行速度上均优于AFLNet。
2024-08-13 cs.CR
Stateful Greybox Fuzzing
针对协议实现中需特定状态才能触发的缺陷，本文提出自动识别 enum 具名常量状态变量并跟踪状态序列的有状态灰盒模糊测试方法，显著提升状态覆盖、代码覆盖和漏洞发现效率。
2022-05-16 cs.CR cs.SE
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
QFuzz: Quantitative Fuzzing for Side Channels
侧信道对软件系统的机密性构成了重大威胁。此类漏洞的检测和评估具有挑战性，因为它们来自软件的非功能属性，例如执行时间，并且需要对多个执行跟踪进行推理。最近，无干扰的概念已被采用在静态分析，符号执行，和灰盒模糊技术。然而，不干涉是一个严格的概念，即使信息泄漏的强度很弱，也可能拒绝安全性。安全性的定量概念允许放松不干涉，并容忍小的（不可避免的）泄漏。尽管近年来取得了进展，但现有的定量方法在实践中具有可扩展性限制。在这项工作中，我们提出了QFuzz，灰盒模糊技术定量评估的强度侧通道的最小熵为重点。最小熵是一种基于可区分的观察（分区）数量的度量，用于评估来自试图一次尝试就泄露秘密的攻击者的威胁。我们开发了一种新的灰盒模糊配备了两个分区算法，试图最大限度地提高可区分的意见和它们之间的成本差异。我们评估QFuzz的一个大的基准集从现有的工作和现实世界的图书馆（共70个科目）。QFuzz与三种最先进的检测技术相比毫不逊色。QFuzz提供了超出所有三种技术能力的关于泄漏的定量信息。至关重要的是，我们比较QFuzz的一个国家的最先进的量化工具，并发现QFuzz显着优于工具的可扩展性，同时保持类似的精度。总的来说，我们发现我们的方法可以很好地扩展到现实世界的应用程序，并提供有用的信息来评估由此产生的威胁。此外，QFuzz还识别了一个零D...
2021-07-08 cs.CR cs.SE
Binary-level Directed Fuzzing for Use-After-Free Vulnerabilities
定向模糊测试侧重于通过利用附加信息（如（部分）错误堆栈跟踪、补丁或风险操作）自动测试代码的特定部分。主要应用包括错误再现、补丁测试和静态分析报告验证。虽然定向模糊最近受到了很多关注，但难以检测的漏洞，如释放后的加密（UAF）仍然没有得到很好的解决，特别是在二进制级别。我们提出UAFuzz，第一个（二进制级别）直接灰盒模糊专用于UAF错误。该技术具有针对UAF特性定制的模糊引擎，轻量级代码插装和高效的错误分类步骤。对真实案例的错误再现的实验评估表明，UAFuzz在故障检测率、暴露时间和错误分类方面明显优于最先进的定向模糊器。UAFuzz在补丁测试中也被证明是有效的，在Perl，GPAC和GNU Patch等程序中发现了30个新的bug（7个CVE）。最后，我们向社区提供了一个专门用于UAF的大型模糊测试基准，该基准建立在真实代码和真实错误的基础上。
2020-08-17 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
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
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
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
Investigating Metamorphic Fuzz Oracle Enhancement via Large Language Models
Tsinghua University（清华大学）
提出基于大语言模型的MetaFOE框架，自动生成和集成蜕变关系以增强模糊测试预言，在OSS-Fuzz驱动上平均提升18.7%边覆盖并触发1528个独特崩溃。
2026-06-15 cs.CR cs.SE
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
Weaver: Fuzzing JavaScript Engines at the JavaScript-WebAssembly Boundary
Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）；Georgia Institute of Technology（佐治亚理工学院）
本文提出Weaver框架，通过类型感知生成策略和UCB-1算法，有效发现JavaScript与WebAssembly交互边界的新漏洞，展示了其在代码覆盖率和漏洞发现上的优势。
2026-03-19 cs.CR
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
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
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
Intelligent Graybox Fuzzing via ATPG-Guided Seed Generation and Submodule Analysis
George Mason University（乔治梅森大学）；University of Florida（佛罗里达大学）
PROFUZZ通过结合ATPG的结构分析能力，提升灰盒模糊测试的效率和扩展性，有效解决传统方法在大规模电路中的局限性。
2026-01-26 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
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
An Empirical Study on the Distance Metric in Guiding Directed Grey-box Fuzzing
本文首次实证研究不同距离度量在定向灰盒模糊测试中的引导效果，发现其差异不显著且难以描述触发漏洞难度，并揭示现有变异策略生成高质量测试用例的局限性，呼吁设计更有效的变异策略。
2024-09-19 cs.CR cs.SE
ColorGo: Directed Concolic Execution
本文提出ColorGo，一种结合编译式符号执行与增量着色的定向白盒模糊测试器，在保持高精确性的同时实现高可扩展性，在真实程序上比AFLGo快达100倍。
2025-05-27 cs.CR cs.SE
SoK: Where to Fuzz? Assessing Target Selection Methods in Directed Fuzzing
本文首次全面分析模糊测试的目标选择方法，通过建模评分函数在OSS-Fuzz的1600+崩溃案例上验证，发现简单软件指标优于启发式方法，语言模型也具前景，强调目标选择是提升定向模糊测试性能的关键正交维度。
2025-02-12 cs.CR cs.SE
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
PBFuzz: Agentic Directed Fuzzing for PoV Generation
University of California, Riverside（加州大学河滨分校）；University of Minnesota, Twin Cities（明尼苏达大学双城分校）
PBFuzz通过模拟人类专家流程，自动提取语义约束并高效生成漏洞证明输入，实验表明其在效率和漏洞触发性能上优于现有方法。
2026-10-27 cs.CR cs.SE
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
Locus: Agentic Predicate Synthesis for Directed Fuzzing
University of Chicago（芝加哥大学）；University of Maryland（马里兰大学）；Johns Hopkins University（约翰霍普金斯大学）；Northwestern University（西北大学）
Locus通过合成语义谓词提升定向模糊测试效率，发现多个未修补漏洞。
2025-12-09 cs.AI cs.CR cs.SE
PrescientFuzz: A more effective exploration approach for grey-box fuzzing
PrescientFuzz利用目标程序控制流图语义信息，通过输入语料库调度器优先选择接近未覆盖边的输入进行变异，在Google FuzzBench基准测试中实现了领先的平均代码覆盖率和排名。
2025-01-24 cs.CR cs.SE
From Coverage to Causes: Data-Centric Fuzzing for JavaScript Engines
Department of Computer Science, North Carolina State University（北卡罗来纳州立大学计算机科学系）
本文提出基于大语言模型的数据导向模糊测试方法，通过学习历史漏洞自动识别高风险输入特征，提升漏洞发现效率。
2025-12-19 cs.CR cs.LG cs.SE
