AFLNet Five Years Later: On Coverage-Guided Protocol Fuzzing
本文回顾了首个代码与状态覆盖率引导的协议模糊测试器AFLNet五年来的技术贡献、实证评估及其对协议模糊测试研究与实践的深远影响。
2025-04-29 cs.SE
Following Dragons: Code Review-Guided Fuzzing
The University of Melbourne（墨尔本大学）
EyeQ通过利用代码审查中的开发者智能，指导模糊测试以发现更多安全关键的漏洞。
2026-02-11 cs.CR cs.SE
Linear-time Temporal Logic guided Greybox Fuzzing
软件模型检验是一种广泛用于检验软件系统时态特性的验证技术。尽管它是一种属性验证技术，但它在实践中的常见用法是“bug查找”，即查找对时态属性的违反。出于这种观察和利用模糊的最新进展，我们建立了一个灰盒模糊框架，以发现违反线性时间时序逻辑（LTL）属性。我们的框架需要作为输入的C/C ++编写的顺序程序，和LTL属性。它发现有状态软件系统中LTL属性的违规或反例痕迹;然而，它没有实现验证。我们的工作大大扩展了直接灰盒模糊见证任意复杂的事件排序。我们注意到，现有的定向灰盒模糊方法仅限于见证到达一个位置或见证简单的事件排序，如使用后免费。同时，与模型检查器相比，我们的方法可以更快地找到反例，从而在给定的时间预算内找到更多的反例。我们的LTL-Fuzzer工具，建立在AFL fuzzer之上，被证明是有效的，在著名的协议实现，如OpenSSL和SSL的检测错误。我们使用LTL-Fuzzer再现已知漏洞（CVEs），通过检查从RFC（已分配12个CVEs）中提取的属性来查找15个零日错误，并在现实世界的协议实现中找到违反安全性和活性属性的行为。我们的工作代表了一个实际的进步，在软件模型检查-同时代表了一个概念上的进步，在现有的灰盒模糊。因此，我们的工作为理解软件模型检验和灰盒模糊化之间未探索的协同作用提供了一个起点。
2022-04-19 cs.SE
Harnessing LLMs for Document-Guided Fuzzing of Python Libraries
The University of Queensland（昆士兰大学）；Texas A&M University–Kingsville（德克萨斯农工大学金斯维尔分校）；Central Queensland University（中昆士兰大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出VistaFuzz，一种基于本地开源LLM的文档引导模糊测试技术，用于测试Python库API，在12个库的7718个API上发现74个问题，其中43个已确认、29个已修复。
2026-08-13 cs.SE
Learning-Guided Fuzzing for Testing Stateful SDN Controllers
本文提出学习引导的模糊测试方法SeqFuzzSDN，通过高效探索状态空间、生成多样化控制消息序列并推断致错模型，有效发现SDN控制器中的有状态故障，在多样性和敏感性上优于现有SOTA方法。
2025-05-05 cs.SE
Failure-Guided Fuzzing for Hybrid Quantum-Classical Programs
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
本文研究了混合量子-经典程序的基于失败的模糊测试，通过两阶段策略发现非收敛种子并局部模糊量子电路参数，实验表明利用失败信息能提升测试效果，但协同种子发现的效果依赖于工作负载。
2026-05-14 cs.SE quant-ph
REST API Fuzzing by Coverage Level Guided Blackbox Testing
随着Web应用程序的增长，REST API已成为服务之间的主要通信方法。为了保证系统的可靠性和安全性，软件质量可以通过有效的测试方法来保证。黑盒模糊测试是进行大规模测试的有效方法之一。然而，传统的黑盒模糊测试产生随机数据而不判断输入的质量。我们为REST API实现了一个黑盒模糊测试方法。通过测试覆盖水平反馈，解决了在不知道突变有效性的情况下盲目突变的问题。我们还通过降低REST API的测试复杂度来增强变异策略，生成更合适的测试用例来覆盖可能的路径。我们通过测试两个大型开源项目来评估我们的方法，并报告和确认了89个错误。此外，我们在APIs.guru中发现了来自64个远程API服务的351个错误。该工作在https://github.com/iasthc/hsuan-fuzz上。
2021-12-31 cs.SE
Pythia: Grammar-Based Fuzzing of REST APIs with Coverage-guided Feedback and Learning-based Mutations
Columbia University（哥伦比亚大学）；Microsoft Research（微软研究院）
本文介绍了Pythia，这是第一个模糊器，它通过覆盖率引导反馈和基于学习的变异策略来增强基于语法的模糊，用于有状态的REST API模糊。Pythia使用统计模型从结构上有效的种子输入中学习目标REST API的常见使用模式。然后，它通过注入少量偏离常见使用模式的噪声，同时仍然保持句法有效性，从而生成基于学习的突变。Pythia的变异策略有助于生成语法上有效的测试用例，覆盖率引导的反馈有助于优先考虑更有可能找到bug的测试用例。我们提出了三个生产规模的实验评估，开源云服务表明，Pythia优于以前的方法，无论是在代码覆盖率和新的错误发现。使用Pythia，我们发现了29个新的错误，我们正在向各自的服务所有者报告的过程中。
2020-05-23 cs.LG cs.SE
Evaluating the Effectiveness of Coverage-Guided Fuzzing for Testing Deep Learning Library APIs
本文提出FlashFuzz，利用LLM自动合成API级测试驱动程序，将覆盖率引导模糊测试有效应用于PyTorch和TensorFlow，显著提升覆盖率、有效率和生成速度，并发现42个未知缺陷。
2025-09-18 cs.SE
WuppieFuzz: Coverage-Guided, Stateful REST API Fuzzing
The Netherlands Organisation for Applied Scientific Research (TNO)（荷兰应用科学研究组织）；Radboud University（拉德堡德大学）
WuppieFuzz基于LibAFL构建，支持白盒、灰盒和黑盒模糊测试，通过OpenAPI生成初始输入集并利用变异器探索代码路径，自动化生成Harness以减少手动工作，通过Petstore API评估白盒方法的鲁棒性和不同功率计划的有效性。
2025-12-17 cs.SE
FLARE: Agentic Coverage-Guided Fuzzing for LLM-Based Multi-Agent Systems
Xidian University（西安电子科技大学）；Peking University（北京大学）；East China Normal University（华东师范大学）；Shanghai Innovation Institute（上海创新研究院）
FLARE通过代理定义提取规范和行为空间，构建测试或acles进行覆盖引导模糊测试，发现多智能体系统中的失败案例，实现96.9%的代理间覆盖和91.1%的代理内覆盖。
2026-04-07 cs.SE
HF-DGF: Hybrid Feedback Guided Directed Grey-box Fuzzing
本文提出HF-DGF定向灰盒模糊测试框架，通过集成控制流距离、数据流影响分数和切片覆盖率的混合反馈机制引导种子调度，并采用向后步进算法和选择性插桩策略，在41个真实漏洞上实现了比AFL等工具更快的崩溃复现和更高的静态分析效率。
2025-06-29 cs.SE
Same Coverage, Less Bloat: Accelerating Binary-only Fuzzing with Coverage-preserving Coverage-guided Tracing
覆盖率引导的模糊测试的积极性，高容量的测试已经帮助揭示了数以万计的软件安全缺陷。虽然执行数十亿个测试用例要求快速的代码覆盖跟踪，但仅二进制目标的性质导致跟踪性能降低。二进制模糊性能的最新进展是覆盖引导跟踪（CGT），它通过将覆盖跟踪的费用限制为仅在保证新覆盖时才进行，从而带来吞吐量的数量级增益。不幸的是，CGT只适合基本的块覆盖粒度--然而大多数模糊器需要更细粒度的覆盖度量：边缘覆盖和命中计数。正是这种限制，几乎所有的今天的国家的最先进的模糊实现CGT的性能优势。本文解决了适应CGT模糊的最普遍的覆盖指标的挑战。我们引入并实现了一套增强功能，扩展CGT的自省模糊的最常见的代码覆盖率指标，同时保持其数量级的速度比传统的始终覆盖跟踪。我们评估他们的权衡方面的模糊性能和有效性在12个不同的现实世界的二进制文件（8个开源和4个闭源）。平均而言，我们的覆盖率保持CGT达到了与目前仅块覆盖率CGT UnTracer几乎相同的速度;并且比领先的二进制和源代码级覆盖率跟踪器QEMU，Dyninst，RetroWrite和AFL-Clang高出2- 24倍，在更短的时间内发现更多的错误。
2022-09-07 cs.CR cs.SE
CoCoFuzzing: Testing Neural Code Models with Coverage-Guided Fuzzing
基于深度学习的代码处理模型在预测方法名称、总结程序和注释生成等任务上表现出了良好的性能。然而，尽管取得了巨大的进步，但深度学习模型往往容易受到对抗攻击，这可能会导致这些模型对意外输入的错误分类，从而严重威胁到这些模型的鲁棒性和可推广性。为了解决上述问题，已经提出了许多深度学习测试方法，然而，这些方法主要集中在测试图像、音频和文本分析等领域中的深度学习应用，由于程序的独特性质，其不能直接应用于神经模型以用于代码。在本文中，我们提出了一个基于覆盖率的模糊框架CoCoFuzzing，用于测试基于深度学习的代码处理模型。特别是，我们首先提出了十个变异算子自动生成有效的和语义保持源代码的例子作为测试，然后我们提出了一个基于神经元覆盖的方法来指导测试的生成。我们研究了CoCoFuzzing在三种最先进的神经代码模型上的性能，即，NeuralCodeSum、CODE2SEQ和CODE2VEC。我们的实验结果表明，CoCoFuzzing可以生成有效的和语义保留的源代码的例子，用于测试这些模型的鲁棒性和泛化能力，并提高神经元的覆盖率。此外，这些测试可用于通过对抗性再训练来提高目标神经代码模型的性能。
2021-06-17 cs.SE
FuzzAug: Data Augmentation by Coverage-guided Fuzzing for Neural Test Generation
University of California, Davis（加州大学戴维斯分校）
本文提出了一种名为FuzzAug的新型数据增强技术，通过引入模糊测试的覆盖引导输入和有效测试语义，将训练数据集规模扩大一倍，从而显著提升了大型语言模型在神经测试生成任务中的性能。
2025-06-26 cs.AI cs.SE
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
Harnessing LLMs for Document-Guided Fuzzing of OpenCV Library
本文提出 VISTAFUZZ 技术，利用大语言模型解析 OpenCV API 文档并提取参数约束与依赖关系，以文档引导方式生成测试输入进行模糊测试，在 330 个 API 中发现 17 个新缺陷。
2025-07-19 cs.SE
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
Model-guided Fuzzing of Distributed Systems
本文提出利用 TLA+ 抽象模型定义覆盖率并引导分布式系统模糊测试，在 Etcd-raft 与 RedisRaft 上提升覆盖率、加速缺陷发现，并找到13个新缺陷。
2025-08-31 cs.DC cs.SE
SAFuzz: Semantic-Guided Adaptive Fuzzing for LLM-Generated Code
Georgia Institute of Technology（佐治亚理工学院）
SAFuzz通过结合LLM引导的自适应模糊测试，提升算法漏洞检测精度和效率，减少测试时间成本。
2026-02-11 cs.CR cs.SE
Vulseye: Detect Smart Contract Vulnerabilities via Stateful Directed Graybox Fuzzing
针对现有智能合约模糊测试工具状态反馈不足、测试资源浪费的问题，提出以漏洞为导向的有向状态灰盒模糊测试工具Vulseye，通过代码与状态双目标引导及新型适应度度量提升测试的有效性与效率。
2024-08-19 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
Dissecting Software Graphs: Structural Insights for Driver-Guided Fuzzing
Utah State University（杨百瑞州立大学）；University of Michigan（密歇根大学）；Zhejiang Gongshang University（浙江工商大学）；University at Buffalo, SUNY（纽约州立大学布法罗分校）
该研究针对多驱动程序模糊测试下的软件结构开展实证研究，提出结构抽象方法，经27个OSS-Fuzz项目验证，多驱动程序模糊测试在相同预算下性能优于单驱动程序，可提升覆盖率并发现更多独特漏洞。
2026-08-14 cs.CR cs.SE
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
Tensor-Based Batch Fuzzing with Adaptive Perturbation Scaling for Deep Neural Networks
University of New South Wales（新南威尔士大学）
提出一种基于张量的批量模糊测试框架，通过自适应扰动缩放和规范感知的批量处理，显著提升深度神经网络测试吞吐量和违规发现效率。
2026-06-25 cs.SE
Fuzz Smarter, Not Harder: Towards Greener Fuzzing with GreenAFL
针对传统模糊测试能耗高、碳足迹大的问题，提出能源感知框架GreenAFL，通过功耗感知的语料库最小化与能源引导变异启发式，在保持覆盖率的同时降低能耗，实现更绿色的模糊测试。
2025-10-29 cs.SE
Evolutionary Grammar-Based Fuzzing
模糊器向目标软件提供随机生成的输入以暴露错误行为。为了有效地检测缺陷，生成的输入应该符合输入格式的结构，因此，可以使用语法来生成语法正确的输入。在这种情况下，模糊化可以由附加到语法中的竞争规则的概率来指导，从而产生了基于概率语法的模糊化的想法。然而，最佳分配的概率，以个人的语法规则，以有效地暴露错误的行为，为个别系统的测试是一个开放的研究问题。在本文中，我们提出了EvoGFuzz，一个进化的基于语法的模糊方法来优化概率，以生成可能更有可能触发异常行为的测试输入。评估结果表明，EvoGFuzz在检测缺陷的有效性相比，基于概率语法的模糊（基线）。应用于10个具有常见输入格式（JSON，JavaScript或CSS3）的真实世界应用程序，评估显示EvoGFuzz对所有受试者的中位数覆盖率比基线高出48%。此外，EvoGFuzz成功地暴露了11个独特的缺陷，其中5个没有被基线检测到。
2020-08-03 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
Coverage-Guided Multi-Agent Harness Generation for Java Library Fuzzing
University of Lübeck（吕贝克大学）
本文提出一种多智能体架构，通过 LLM 功能智能体自动化生成 Java 库的模糊 harnesses，提升模糊测试效率并发现漏洞。
2026-03-09 cs.CR cs.SE
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
ConFL: Constraint-guided Fuzzing for Machine Learning Framework
AI Security Lab（360人工智能安全实验室）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
本文提出 ConFL，一种从 ML 框架内核代码自动提取约束并引导生成有效输入的模糊测试方法，结合分组技术提升效率，在 TensorFlow 等框架中发现多个已获 CVE 编号的漏洞。
2023-07-11 cs.CR cs.LG cs.SE
ct-fuzz: Fuzzing for Timing Leaks
基于测试的方法，如模糊能够分析复杂的软件，这是不服从传统的形式化方法，如验证，模型检验，抽象解释。尽管在许多流行的软件项目中暴露了无数的安全漏洞，但基于测试的方法的应用主要针对检查传统的安全属性，如内存安全。虽然这类属性无疑很重要，但它并不能精确地表征其他重要的安全方面，如信息泄漏，例如，通过侧通道。在这项工作中，我们扩展了基于测试的软件分析方法的两个安全属性，这使得复杂的软件中的信息泄漏的精确发现。特别是，我们提出了ct-fuzzz工具，它使覆盖率指导灰盒模糊检测两个安全属性违规的能力。我们的方法是能够暴露违反任何两个安全属性表示为两个程序的痕迹之间的平等。从经验上讲，我们证明了ct-fuzz迅速揭示流行的加密实现中的时间泄漏。
2019-04-15 cs.SE
Stateful Embedded Fuzzing with Peripheral-Accurate SystemC Virtual Prototypes
RWTH Aachen University（亚琛工业大学）
本文提出一种结合AFL++与状态化SystemC-TLM虚拟原型的框架，通过将模糊测试输入直接注入外围模型，实现嵌入式软件的真实模糊测试，提升预硅测试效果。
2026-04-20 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
GraphFuzz: Automated Testing of Graph Algorithm Implementations with Differential Fuzzing and Lightweight Feedback
针对图算法测试输入空间大、代码覆盖引导模糊测试效率低的问题，提出首个面向图算法的反馈引导模糊测试框架GraphFuzz，通过算法特定轻量反馈提升语料多样性，支持黑/灰盒测试，结合差分测试发现12个未知漏洞。
2025-02-21 cs.SE
KQFuzz: Knowledge-Guided Fuzzing for Quantum Libraries via Large Language Models
Shanghai Jiao Tong University（上海交通大学）；Nanyang Technological University（南洋理工大学）；Hong Kong University of Science and Technology（香港科技大学）；Zhejiang University of Technology（浙江工业大学）；College of Computing and Data Science（计算与数据科学学院）；School of Physical and Mathematical Sciences（物理与数学科学学院）
针对量子库模糊测试灵活性和效率不足问题，提出KQFuzz，利用代码库知识结合适应度引导评估与两级变异，实现高质量测试生成。在三个量子库上测试效果显著优于其他方法，发现多个错误，推动量子计算领域发展。
2026-07-29 cs.AI cs.MA cs.SE
MOTIF: A tool for Mutation Testing with Fuzzing
MOTIF利用灰盒模糊测试生成C语言单元测试用例，克服了符号执行的局限性，能有效检测变异体中的注入故障，在安全关键CPS软件测试中表现更优。
2024-06-04 cs.SE
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
Testing Deep Learning Library APIs via Cross-Framework Differential Fuzzing
The University of Queensland（昆士兰大学）
本文提出跨框架差分模糊测试方法Xamt，用于测试7个深度学习库的API，构建676个经验证的API组，识别出72个差异案例，其中25份已被开发者确认并修复。
2026-10-30 cs.SE
Growing a Test Corpus with Bonsai Fuzzing
本文提出了一种覆盖率引导的基于语法的模糊技术自动生成一个语料库的简洁的测试输入的程序，如编译器。我们走过一个案例研究的编译器设计的教育和相应的问题，产生有意义的测试用例提供给学生。现有技术的解决方案是模糊和测试用例简化技术（诸如增量调试的变体）的组合。我们的关键见解是，而不是试图最大限度地减少复杂的模糊生成的测试输入，我们可以通过使用迭代深化的形式来构建简洁的测试输入。我们称这种方法为Bonsai Fuzzing。实验结果表明，Bonsai Fuzzing可以生成的测试语料库的输入是16- 45%，平均较小的大小相比，模糊然后减少的方法，而实现大致相同的代码覆盖率和故障检测能力。
2021-03-07 cs.PL cs.SE
DocTer: Documentation Guided Fuzzing for Testing Deep Learning API Functions
本研究提出DocTer技术，通过依存句法分析树自动构建规则从深度学习API文档提取特有输入约束，用于生成测试输入检测API bug，在三大主流深度学习库上实现85.4%的约束提取准确率，发现大量未知bug与文档问题。
2024-03-06 cs.SE
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
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
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
NeuronFuzz: Safety Neuron Guided Fuzzing for LLM Safety Evaluation
University of Bristol（布里斯托尔大学）
NeuronFuzz是一种安全神经元引导的LLM安全评估白盒模糊测试框架，通过利用安全神经元激活值生成反馈，在21个模型上实现了高越狱发现率和零样本迁移能力，性能优于基线方法。
2026-08-28 cs.AI cs.CR cs.LG
Once4All: Skeleton-Guided SMT Solver Fuzzing with LLM-Synthesized Generators
State Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）
Once4All通过LLM合成生成器生成可重用的逻辑表达式，解决传统模糊测试中生成公式语法无效和计算开销大的问题，有效发现SMT求解器中的43个已确认bug。
2026-04-08 cs.AI cs.PL cs.SE
FuzzBox: Blending Fuzzing into Emulation for Binary-Only Embedded Targets
Università degli Studi di Napoli Federico II（那不勒斯费德里科二世大学）
FuzzBox通过整合模拟与模糊测试，在虚拟化环境中动态注入模糊输入，实现故障检测和覆盖率分析，无需源代码重新编译和硬件依赖，适用于工业系统和物联网固件。
2025-09-06 cs.CR cs.SE
Pattern-Guided Graph Synthesis for Suppressing Known Defects in DL Compiler Fuzzing
School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；Department of Computer Science, Xidian University（西安电子科技大学计算机科学与技术学院）；School of Computer Science, Wuhan University（武汉大学计算机学院）
Reprise通过提炼已知缺陷为语义图模式并在图合成中规避这些模式，在DL编译器模糊测试中有效抑制已知缺陷报告，同时保持覆盖率并发现新缺陷。
2026-10-07 cs.PL cs.SE
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
MARL-OT: Multi-Agent Reinforcement Learning Guided Online Fuzzing to Detect Safety Violation in Autonomous Driving Systems
Macquarie University（麦考瑞大学）
本文提出MARL-OT框架，利用多智能体强化学习引导在线模糊测试，通过触发危险场景检测自动驾驶系统的安全违规，相比SOTA方法将违规检测率提升高达136.2%。
2025-01-24 cs.RO cs.SE
CLIR: Liveness-Driven and Structure-Aware Fuzzing for the Cranelift Compiler
Beijing University of Posts and Telecommunications（北京邮电大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Peking University（北京大学）；The Hong Kong Polytechnic University（香港理工大学）；Huazhong University of Science and Technology（华中科技大学）
提出CLIR差分测试框架，通过语法保持的分层生成保证SSA合法性、活性引导指令精炼最大化计算密度、诊断引导跨架构适配加速根因分析，在72小时内发现24个跨架构bug。
2026-06-26 cs.SE
Improving Linux-Kernel Tests for LockDoc with Feedback-driven Fuzzing
LockDoc是一种从系统处于基准负载下时记录的动态执行跟踪中提取内核数据结构的锁定规则的方法。这些锁定规则可以例如用于定位同步错误。对于高规则精度和彻底的错误发现，该方法在很大程度上取决于基准测试的选择：它们必须触发内核子系统中与目标数据结构相关的尽可能多的代码的执行。然而，现有的测试套件，如Linux测试项目（LTP）提供的那些测试套件，在LTP的情况下，仅实现了VFS子系统的大约35%的基本块覆盖率，当为与文件系统相关的数据结构提取锁定规则时，VFS子系统是相关的子系统。在本文中，我们将讨论如何补充LTP套件以提高LockDoc场景的代码覆盖率。我们重新调整了syzkaller --一个覆盖率引导的模糊器，目标是验证内核API的鲁棒性--1）不以内核崩溃为目标，2）最大化特定内核子系统的代码覆盖率。因此，我们生成了可以在LTP之外运行的新基准程序，并将VFS基本块覆盖率提高了26.1%。
2021-09-16 cs.SE
Rare-Seed Generation for Fuzzing
从一个随机的初始种子开始，模糊器搜索触发错误或漏洞的输入。然而，模糊器往往无法生成输入的程序路径保护的限制性分支条件。在本文中，我们表明，通过首先识别程序中的稀有路径（即，具有不可能被随机输入生成满足的路径约束的程序路径），然后生成触发稀有路径的输入/种子，可以提高模糊工具的覆盖率。特别是，我们提出的技术1）使用定量符号分析来识别稀有路径，以及2）生成可以使用路径引导的concolic执行来探索这些稀有路径的输入。我们将这些输入作为初始种子集提供给三个最先进的模糊器。我们的一组程序（包含很多限制性分支条件）的实验评估表明，模糊实现更好的覆盖率与稀有路径为基础的种子集相比，随机初始种子。
2022-12-18 cs.CR cs.SE
Natural Adversaries: Fuzzing Autonomous Vehicles with Realistic Roadside Object Placements
School of Computing and Information Systems（计算与信息系统学院）
本文提出TrashFuzz算法，通过操控道路边常见物体布局生成符合道路设计规范的现实对抗场景，以测试自动驾驶车辆感知系统的鲁棒性，并引发交通违规。
2026-03-25 cs.CV cs.SE
