主动学习与被动学习在有状态模糊测试中的应用
Uses of Active and Passive Learning in Stateful Fuzzing
AI总结：
本文研究如何利用主动与被动学习推断状态机模型，以解决有状态系统模糊测试难题，并用于模糊器比较、基准测试、协议实现差异发现及模糊器改进。
摘要：
本文探讨了将主动学习与被动学习（即推断系统状态机模型的主动与被动技术）用于模糊测试。过去十年间，模糊测试已成为提升软件健壮性的一种非常流行且成功的技术，但有状态系统仍难以进行模糊测试。被动与主动技术可在多个方面提供帮助：比较不同模糊器并对其进行基准测试、发现同一协议的不同实现之间的差异，以及改进模糊器。
英文摘要：
This paper explores the use of active and passive learning, i.e.\ active and passive techniques to infer state machine models of systems, for fuzzing. Fuzzing has become a very popular and successful technique to improve the robustness of software over the past decade, but stateful systems are still difficult to fuzz. Passive and active techniques can help in a variety of ways: to compare and benchmark different fuzzers, to discover differences between various implementations of the same protocol, and to improve fuzzers.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
