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
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
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
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
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
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
Greybox Fuzzing of Distributed Systems
本文提出首个分布式系统灰盒模糊测试框架 Mallory，通过 Lamport 时间线抽象和 Q-learning 自适应注入故障，相比 Jepsen 探索更多行为并更快发现缺陷，在 Braft、Dqlite 和 Redis 等系统中发现 22 个零日缺陷。
2023-08-12 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
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
DeepGo: Predictive Directed Greybox Fuzzing
College of Computer, National University of Defense Technology（计算机学院，国防科技大学）
针对现有定向灰盒模糊测试依赖启发式算法、对未执行路径缺乏预见导致效率低的问题，提出DeepGo工具，结合路径转移模型、VEE预测与RLF模型及动作组概念，通过最优路径高效抵达目标位点。
2025-07-29 cs.LG cs.SE
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
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
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
Program Environment Fuzzing
本文提出一种基于灰盒模糊测试扩展的程序环境模糊测试方法，通过记录系统调用并选择性变异来搜索导致崩溃的环境，无需人工环境建模，其 EnvFuzz 工具在真实软件中发现 33 个未知缺陷（含 16 个 CVE）。
2024-09-02 cs.SE
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
QUIC-Fuzz: An Effective Greybox Fuzzer For The QUIC Protocol
针对QUIC协议模糊测试的诸多挑战，研究团队开发了灰盒变异模糊测试工具QUIC-Fuzz，测试6款主流服务端实现发现10个新漏洞，代码覆盖率较现有最优工具最高提升84%，已开源。
2025-03-25 cs.CR cs.SE
Evolutionary Mutation-based Fuzzing as Monte Carlo Tree Search
基于覆盖率的灰盒模糊检测（CGF）已被证实可以有效地发现安全漏洞。种子调度是从种子库中选择一个输入作为下一次模糊迭代的种子的过程，在CGF中起着核心作用。虽然已经提出了许多种子调度策略，他们中的大多数单独对待这些种子，并没有显式地考虑种子之间的关系。在这项研究中，我们做了一个关键的观察，种子之间的关系是有价值的种子调度。我们设计并提出了一个“种子突变树”，通过调查和利用种子之间的突变关系。利用“种子变异树”，我们进一步将种子调度问题建模为一个蒙特卡罗树搜索（MCTS）问题。也就是说，我们选择下一个种子模糊通过步行这个“种子突变树”通过最佳路径，基于MCTS的估计。我们实现了两个原型，AFL之上的AlphaFuzz和AFL++之上的AlphaFuzz++。三个数据集（UniFuzz数据集，CGC二进制文件和12个真实世界的二进制文件）的评估结果表明，AlphaFuzz和AlphaFuzz++优于最先进的模糊器，具有更高的代码覆盖率和更多的发现漏洞。特别是，AlphaFuzz发现了3个新的漏洞与CVE。
2022-06-15 cs.CR cs.SE
Fuzzwise: Intelligent Initial Corpus Generation for Fuzzing
University of Texas at Dallas（德克萨斯大学达拉斯分校）
FuzzWise通过基于LLM的多代理框架，高效生成初始语料，提升模糊测试的代码覆盖和错误触发效率。
2025-12-24 cs.LG cs.SE
PerfGen: Automated Performance Benchmark Generation for Big Data Analytics
针对大数据分析性能症状难以由输入触发的问题，本文提出 PerfGen，通过性能监控引导、分阶段模糊测试、LLM 伪逆转换和倾斜变异自动生成性能基准，最高显著减少迭代并实现至少11倍加速。
2024-12-06 cs.SE
HDR-Fuzz: Detecting Buffer Overruns using AddressSanitizer Instrumentation and Fuzzing
缓冲区溢出是软件库和应用程序中普遍存在的漏洞。模糊测试是检测漏洞的有效技术之一。灰盒模糊器，如AFL自动生成一个序列的测试输入一个给定的程序使用健身指导搜索过程。文献中最近提出的方法引入了一种称为“净空”的缓冲区溢出特定适应性度量，该度量跟踪每个生成的测试输入与暴露漏洞的接近程度。这种方法显示了良好的初始承诺，但由于其依赖于保守的点到分析，因此有些不精确和昂贵。受上述方法的启发，在本文中，我们提出了一种新的自上而下的方法来检测缓冲区溢出漏洞。这种方法使用与模糊器并行运行的ASAN（地址消毒器）的扩展版本，并向模糊器报告恰好更接近暴露缓冲区溢出漏洞的测试输入。ASAN风格的插装是精确的，因为它不依赖于指向分析。在本文中，我们描述了我们的方法，以及实施和评估的方法。
2021-04-21 cs.SE cs.SY eess.SY
DogeFuzz: A Simple Yet Efficient Grey-box Fuzzer for Ethereum Smart Contracts
本文提出DogeFuzz，一个支持黑盒及两种灰盒策略的以太坊智能合约模糊测试基础设施，实验表明其在未使用符号执行或机器学习的情况下仍优于sFuzz和ILF，但不及Smartian。
2024-09-03 cs.CR cs.SE
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
Empirical Notes on the Interaction Between Continuous Kernel Fuzzing and Development
自20世纪90年代以来，模糊技术得到了广泛的研究和应用。自动化和持续的模糊最近也被应用于开源软件项目，包括Linux和BSD内核。本文集中在四个开源内核中的连续内核模糊化的实际方面。根据结果，syzkaller/syzbot框架报告了四个内核的800多个未解决的崩溃。其中许多在相当长的时间以前就已经报道过了。有趣的是，模糊引起的bug在BSD内核中得到了更快的解决。此外，断言和调试检查、释放后使用和一般保护错误占Linux内核中大多数错误类型。在Linux内核中，大约23%的已修复错误已经通过了代码审查或额外的测试。最后，只有代码扰动提供了一个微弱的统计信号来解释Linux内核中相关的bug修复时间。
2019-09-05 cs.CR cs.SE
DARWIN: Survival of the Fittest Fuzzing Mutators
Fuzzing是一种被业界广泛采用的自动化软件测试技术。一个流行的变体是基于变异的模糊，它在实践中发现了大量的错误。虽然研究界已经研究基于突变的模糊化多年，但模糊器内的算法交互非常复杂，并且可以与模糊器的每个实例中的随机性一起导致不可预测的效果。大多数改善这种脆弱交互的努力都集中在优化种子调度上。然而，像Google的FuzzBench这样的现实世界的结果突出表明，这些方法在实践中并没有始终如一地显示出改进。另一种改进模糊算法的方法是优化变异调度。不幸的是，现有的变异调度方法也未能说服，因为缺少现实世界的改善或太多的用户控制的参数，其配置需要有关目标程序的专家知识。这就留下了一个具有挑战性的问题，即巧妙地处理测试用例并实现可测量的改进。我们提出了DARWIN，一种新的突变调度程序，第一个显示模糊的改进，在一个现实的情况下，不需要引入额外的用户可配置的参数，开放这种方法的广泛模糊社区。达尔文使用演化策略系统地优化和适应模糊过程中变异算子的概率分布。我们实现了一个原型的基础上流行的通用模糊AFL。在我们自己的覆盖率实验中，DARWIN在FuzzBench中的表现明显优于最先进的突变调度器和AFL基线，并在MAGMA基准测试中找到了21个错误中最快的15个。最后，DARWIN在广泛使用的实际应用中发现了20个独特的bug（包括一个新bug），比AFL多66%。
2022-10-21 cs.CR cs.SE
Targeted Testing of Compiler Optimizations via Grammar-Level Composition Styles
University of California, Los Angeles (UCLA)（加州大学洛杉矶分校）；The University of Sydney（悉尼大学）；Tulane University（杜兰大学）；University of Szeged（塞格德大学）
本文提出TargetFuzz，通过语法层面的组合风格进行定向模糊测试，提升编译器优化的测试覆盖率和触发效率。
2025-12-04 cs.SE
TAC: Hybrid IAM Privilege Escalation Detection
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；The University of Virginia（弗吉尼亚大学）
TAC是首个支持白盒和灰盒分析的IAM权限提升检测框架，通过识别权限流模式，覆盖五类PE类别，构建TAC-WB和TAC-GB，有效检测遗漏攻击并优化灰盒检测效率。
2026-07-23 cs.CR cs.SE
Evaluating the Fork-Awareness of Coverage-Guided Fuzzers
模糊测试（或模糊）是一种用于发现安全漏洞的有效技术。它包括向测试中的软件提供畸形输入，等待奇怪的系统行为（通常是系统崩溃）。多年来，已经开发了不同的方法，其中最流行的是基于覆盖率的方法。它依赖于系统的仪器来生成能够覆盖尽可能多的代码的输入。这种方法的成功也是由于它的可用性，因为模糊技术研究方法不需要（或仅部分需要）人类交互。尽管努力，设计一个全自动模糊仍然似乎是一个具有挑战性的任务。目标系统可能非常复杂;它们可能集成密码原语，计算和验证校验和，并使用分叉来增强系统安全性，实现更好的性能或同时管理不同的连接。本文引入fork感知属性来表达模糊器使用fork管理系统的能力。这个属性被用来评估14个覆盖率最广的模糊器，并强调当前的模糊器对使用分叉的系统是无效的。
2023-01-12 cs.CR cs.SE
