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
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
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
$MC^2$: 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
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
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
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
Multi-target Coverage-based Greybox Fuzzing
Graduate School of Information Security（信息安全研究生院）
本文提出一种多目标覆盖灰盒模糊测试方法，通过统一虚拟化环境测量软件边界代码覆盖，提升系统探索深度。
2026-03-26 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
FuCE: Fuzzing+Concolic Execution guided Trojan Detection in Synthesizable Hardware Designs
高级合成（HLS）是为机器学习、视频处理等应用设计复杂定制架构的下一个新兴趋势。它为硬件工程师提供了更高级别的抽象和自由，以执行硬件软件协同设计。然而，它为攻击者插入硬件木马打开了一个新的门户。与门级特洛伊木马相比，此类特洛伊木马在语义上更有意义，更隐蔽，因此很难使用最先进的门级特洛伊木马检测技术进行检测。虽然最近的工作提出了检测机制，发现这种隐形木马在高层次的综合（HLS）设计，这些技术要么是专门策划现有的木马基准或可能会遇到可扩展性问题的大型设计。在这项工作中，我们利用灰盒模糊与concolic执行相结合的力量来探索设计的更深层次，并发现隐形木马。实验结果表明，我们提出的框架是能够自动检测木马更快的测试用例，同时达到显着的分支覆盖率，没有任何手动预处理分析。
2021-11-01 cs.CR
Fuzzm: Finding Memory Bugs through Binary-Only Instrumentation and Fuzzing of WebAssembly
WebAssembly二进制文件通常是从内存不安全的语言（如C和C++）编译的。由于WebAssembly的线性内存和缺少保护功能，例如，堆栈金丝雀，源代码级内存漏洞可在编译的WebAssembly二进制文件中利用，有时甚至比本机代码更容易。本文解决了通过WebAssembly的第一个仅二进制模糊器检测此类漏洞的问题。我们的方法，称为Fuzzm，结合金丝雀仪器检测堆栈和堆上的溢出和下溢，一个有效的覆盖仪器，一个WebAssembly VM，和流行的AFL模糊的输入生成算法。除了作为模糊的预言机，我们的金丝雀还作为一个独立的二进制硬化技术，以防止在生产中利用脆弱的二进制文件。我们用28个真实的WebAssembly二进制文件来评估Fuzzm，其中一些是从源代码编译的，另一些是在没有源代码的情况下发现的。模糊器探索数千条执行路径，触发数十次崩溃，每秒执行数百次程序执行。当用于二进制加固时，该方法可以防止以前发布的针对易受攻击的WebAssembly二进制文件的漏洞，同时降低运行时开销。
2021-10-28 cs.CR cs.SE
Generating Comprehensive Data with Protocol Fuzzing for Applying Deep Learning to Detect Network Attacks
网络攻击已经成为全球组织的主要安全问题，也引起了学术界的关注。近年来，研究人员利用神经网络来检测网络攻击。然而，公共网络数据集有重大的缺点，如有限的数据样本变化和不平衡的数据相对于恶意和良性样本。在本文中，我们提出了一种新的方法，协议模糊，自动生成高质量的网络数据，深度学习模型可以训练。我们的研究结果表明，模糊生成的数据样本覆盖了真实世界的数据，使用模糊数据训练的深度学习模型可以成功检测到真实的网络攻击。
2020-12-23 cs.CR
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
Fuzzerfly Effect: Hardware Fuzzing for Memory Safety
针对制造后硬件补丁难的问题，研究了硬件模糊测试在检测硬件内存漏洞上的有效性，提出了相关挑战与未来研究方向以提升内存安全防护能力。
2024-10-29 cs.CR
ReFuzz: Reusing Tests for Processor Fuzzing with Contextual Bandits
Texas A&M University（德克萨斯农工大学）
ReFuzz通过上下文老虎机重用先前处理器的高效测试用例，提升处理器模糊测试的效率和漏洞检测能力。
2025-12-08 cs.CR
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
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
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
SynFuzz: Leveraging Fuzzing of Netlist to Detect Synthesis Bugs
George Mason University（乔治梅森大学）；University of Florida（佛罗里达大学）
SynFuzz提出一种面向门级网表的硬件模糊测试方法，通过门级覆盖率指标和差分模糊测试检测综合缺陷与EDA库恶意行为，在开源处理器和IP上发现7个新缺陷，并实现可绕过传统验证的CLiMA攻击，超越Cadence Conformal的验证能力。
2025-11-06 cs.AR cs.CR
IdSan: An identity-based memory sanitizer for fuzzing binaries
大多数内存清理器通过在编译时检测程序来工作。只有少数的内存清理程序可以清理没有源代码的二进制程序。大多数是基于位置的，因此无法检测全局变量或堆栈上变量的溢出。在本文中，我们介绍了一个基于身份的内存消毒二进制AArch64程序，它不需要访问源代码。如果用户提供一些注释或DWARF调试信息以及动态分配的内存，它能够检测堆栈和全局变量的溢出。
2020-07-26 cs.CR cs.PL
Logic Solver Guided Directed Fuzzing for Hardware Designs
George Mason University（乔治梅森大学）
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
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
Fuzzing the PHP Interpreter via Dataflow Fusion
本文提出首个针对 PHP 解释器内存错误的自动化模糊测试框架 FlowFusion，通过数据流融合合并测试用例并结合变异、接口模糊测试和环境交叉策略，发现 158 个未知漏洞，并已集成到官方 PHP 工具链。
2025-02-04 cs.CR
