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
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
SLOPT: Bandit Optimization Framework for Mutation-Based Fuzzing
Ricerca Security, Inc.（里卡安全公司）；University of Tsukuba（筑波大学）；National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所）
在过去的十年中，基于突变的模糊已经成为最常见的漏洞发现解决方案之一。当针对特定程序时，模糊可以被优化，并且鉴于此，一些研究已经采用在线优化方法来自动进行，即，以程序不可知的方式为任何给定的程序调整模糊器。然而，以往的研究既没有充分探讨适合在线优化方法的变异方案，也没有适合变异方案的在线优化方法。在这项研究中，我们提出了一个称为SLOPT的优化框架，包括一个强盗友好的突变方案和突变方案友好的强盗算法。SLOPT的优点是它通常可以合并到现有的模糊器中，例如AFL和Honggfuzz。作为概念验证，我们通过将SLOPT集成到AFL++中来实现SLOPT-AFL++，并表明SLOPT提供的程序无关优化使SLOPT-AFL++在所有10个实际FuzzBench程序中实现了比AFL++更高的代码覆盖率。此外，我们对来自OSS-Fuzz的几个真实世界的程序运行了SLOPT-AFL++，并成功地识别了三个以前未知的漏洞，尽管这些程序已经在OSS-Fuzz上被AFL++模糊了相当多的CPU天数。
2022-11-07 cs.CR cs.LG cs.SE
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
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
ZIMPAF & RedPhuzz: High-fidelity Web Application Fuzzing via Branch, Language Construct, and Function Call Monitoring
University of Texas at Arlington（阿灵顿得克萨斯大学）
针对现有Web应用程序模糊测试器的局限，提出ZIMPAF和RedPhuzz。ZIMPAF通过多粒度运行时解释器检测提供多种功能，RedPhuzz利用这些信息及新变异策略进行针对性模糊测试，在检测漏洞和效率上优于前身Phuzz，ZIMPAF吞吐量也更高。
2026-07-29 cs.CR
TurboFuzzLLM: Turbocharging Mutation-based Fuzzing for Effectively Jailbreaking Large Language Models in Practice
Amazon Web Services, USA（亚马逊网络服务（美国））
本文提出TurboFuzzLLM，一种基于变异的模糊测试方法，通过自动生成有效越狱模板，在主流大语言模型上实现≥95%的攻击成功率，并提升模型对提示攻击的防御能力。
2025-06-04 cs.AI cs.CL cs.CR
zkCraft: Prompt-Guided LLM as a Zero-Shot Mutation Pattern Oracle for TCCT-Powered ZK Fuzzing
zkCraft结合确定性R1CS感知本地化与证明承载搜索，通过编码候选约束编辑为Row-Vortex多项式，利用LLM驱动的突变模板检测语义不一致，降低误报并提升ZK电路开发的鲁棒性。
2026-07-23 cs.CR
Coverage-Guided Tensor Compiler Fuzzing with Joint IR-Pass Mutation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Tongji University（同济大学）；Fudan University（复旦大学）
在过去的十年中，深度学习（DL）系统已被广泛部署在各个领域，以方便我们的日常生活。与此同时，确保DL系统的正确性（例如，由于其固有的不确定性），并且DL系统中的错误可能导致严重的后果，甚至可能威胁人类生命。在文献中，研究人员已经探索了各种技术来测试，分析和验证DL模型，因为它们的质量直接影响相应的系统行为。最近，研究人员还提出了用于测试底层操作符级DL库（如TensorFlow和PyTorch）的新技术，这些库为每个高级DL操作符提供了通用的二进制实现，以便在许多平台上运行各种DL模型。然而，针对新兴张量编译器的可靠性的工作仍然有限，这些编译器旨在直接将高级张量计算图编译为高性能二进制文件，以提高效率，可移植性和可扩展性。本文针对张量编译器测试这一重要问题，提出了一种实用的模糊测试技术Tzer，用于广泛使用的TVM张量编译器。由于高级中间表示（IR）的变异空间有限，Tzer专注于对TVM的低级IR进行变异。更具体地说，Tzer利用覆盖反馈指导的通用和张量编译器特定的变异器进行进化IR变异;此外，Tzer还与IR变异串联执行传递变异，以实现更有效的模糊化。我们的研究结果表明，Tzer在张量编译器测试方面大大优于现有的模糊技术，覆盖率比第二好的技术高75%，测试价值高50%。到目前为止，Tzer已经检测到49个TVM以前未知的bug，其中37个bug得到确认，25个bug得到修复（PR…
2022-02-21 cs.CR cs.LG cs.PL
Semantic-Aware Fuzzing: An Empirical Framework for LLM-Guided, Reasoning-Driven Input Mutation
School of Computing, Queen’s University（女王大学计算机学院）；McGill University（麦吉尔大学）；Defence R&D Canada（国防研发加拿大）
针对现有模糊测试缺乏语义推理的问题，提出集成推理LLM与AFL++的微服务框架，实验表明Deepseek表现最佳，变异质量取决于提示复杂度与模型选择。
2025-09-23 cs.AI cs.CR cs.SE
CovRL: Fuzzing JavaScript Engines with Coverage-Guided Reinforcement Learning for LLM-based Mutation
Yonsei University（延世大学）；Suresofttech Inc.（Suresofttech公司）
本文提出CovRL技术，通过TF-IDF构建加权覆盖率图并结合强化学习将覆盖率反馈直接集成到LLM变异器中，显著提升了JavaScript引擎模糊测试的代码覆盖率与漏洞发现能力。
2024-02-19 cs.CL cs.CR cs.LG
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
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
Robustness-Aware Evaluation and Enhancement of Mutation-Based Fuzzing for Bug Discovery
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Northwestern University（西北大学）
本研究提出鲁棒性评估框架和分裂（splitting）方法，通过复制模糊器队列状态分支执行，在Magma和FuzzBench上显著提升漏洞发现率并降低变异性。
2026-09-09 cs.CR
Service-Fingerprinting mittels Fuzzing
服务指纹识别（即识别网络服务和计算系统上的其他应用程序）是渗透测试的重要组成部分。本文的主要贡献是对指纹识别工具的改进进行了研究。通过应用基于变异的模糊化作为指纹生成方法，可以识别响应消息中的细微差异。响应消息中的这些差异提供了区分和识别网络服务的手段。为了证明该方法的可行性，实现了一个指纹工具的ftp服务器，并与现有的指纹工具。作为这项研究的结果，它表明，基于突变的模糊是一个适当的方法，服务指纹，甚至提供了优于先前存在的方法。
2014-03-04 cs.CR cs.NI
Batch Me If You Can: Coverage-guided RPKI Fuzzing at Scale
Goethe-Universität Frankfurt（法兰克福歌德大学）；ATHENE National Research Center for Applied Cybersecurity（ATHENE国家应用网络安全研究中心）
针对RPKI软件现有模糊测试无法处理多对象加密仓库的局限性，提出基于连续采样和函数侧信道的覆盖归因技术，结合非顺序模糊测试与ASN.1变异引擎，实现66倍吞吐量提升并发现21个新漏洞。
2026-05-26 cs.CR
SHAPFUZZ: Efficient Fuzzing via Shapley-Guided Byte Selection
提出ShapFuzz，一种基于Shapley值和上下文多臂老虎机的模糊测试方法，通过低开销量化字节重要性来指导选择与变异，相比现有先进模糊测试器能发现更多边、暴露更多漏洞并发现新CVE漏洞。
2023-10-23 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
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
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
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
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
DarthShader: Fuzzing WebGPU Shader Translators & Compilers
本文提出首个结合中间表示与抽象语法树变异策略的语言模糊测试器 DarthShader，针对 WebGPU 着色器编译流水线各阶段进行差异化模糊测试，在三大主流浏览器中发现 39 个此前未被发现的软件故障，其中 15 个获 CVE 编号。
2024-09-03 cs.CR
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
Systematic Assessment of Fuzzers using Mutation Analysis
针对模糊测试工具效果评估难的问题，本文采用可合并多变异的现代变异分析技术，搭建评估基准，首次实现用变异分析评估模糊测试工具，实验发现现有工具检测变异比例低，为后续研究指明方向。
2023-07-25 cs.CR cs.SE
SQUIRREL: Testing Database Management Systems with Language Validity and Coverage Feedback
Fuzzing是一种越来越流行的技术，用于验证软件功能和发现安全漏洞。然而，目前基于变异的模糊不能有效地测试数据库管理系统（DBMS），严格检查输入的有效语法和语义。基于生成的测试可以保证输入的语法正确性，但它没有利用任何反馈，如代码覆盖率，以指导路径探索。在本文中，我们开发了Squirrel，一个新的模糊框架，考虑语言的有效性和覆盖反馈测试数据库管理系统。我们设计了一个中间表示（IR）来维护SQL查询的结构和信息的方式。为了生成语法正确的查询，我们对IR执行基于类型的突变，包括语句插入，删除和替换。为了减轻语义错误，我们分析每个IR，以确定参数之间的逻辑依赖关系，并生成满足这些依赖关系的查询。我们在四种流行的DBMS上评估了Squirrel：SQLite，MySQL，PostgreSQL和MariaDB。Squirrel在SQLite中发现了51个bug，在MySQL中发现了7个，在MariaDB中发现了5个。其中52个漏洞已修复，分配了12个CVE。在我们的实验中，Squirrel实现了比最先进的模糊器高2.4倍-243.9倍的语义正确性，并且比基于变异的工具多探索2.0倍-10.9倍的新边缘。这些结果表明，Squirrel在发现数据库管理系统的内存错误方面是有效的。
2020-06-03 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
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
EF/CF: High Performance Smart Contract Fuzzing for Exploit Generation
本文提出高性能以太坊智能合约模糊测试器 EF/CF，通过将字节码转译为 C++ 并利用结构感知变异与 ABI 生成有效输入，高效检测重入等复杂漏洞并自动生成窃取以太币的交易序列。
2023-04-13 cs.CR
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
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
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
EchoFuzz: Empowering Smart Contract Fuzzing with Large Language Models
Tsinghua University（清华大学）；Beihang University（北京航空航天大学）；Beijing Normal University（北京师范大学）；Zhejiang Gongshang University（浙江工商大学）；GoPlus Security（GoPlus安全）；University of Oxford（牛津大学）；East China Normal University（华东师范大学）
EchoFuzz利用大型语言模型生成漏洞函数调用序列并迭代引导模糊测试，提升智能合约漏洞检测效率与覆盖率，实验显示分支覆盖率提高29%，漏洞检测增加62%。
2026-09-15 cs.CR cs.SE
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
