.png){kind=icon}
返回
CFGuide-Fuzz: Dynamic Fuzz Testing Framework Based on Control Flow Features
.png){kind=icon}
OA
AI
DOI：10.3390/math14030452.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
RTL级模糊测试对于识别硬件设计中的漏洞至关重要。然而，现有硬件模糊测试方法由于缺乏细粒度控制流引导，导致覆盖率提升缓慢且存在盲目探索的问题。为解决这一差距，本文提出了CFGuide-Fuzz框架，该框架包括基于FIRRTL插桩的控制节点提取与压缩技术，以及由特征反馈驱动的硬件模糊测试引擎。本研究为硬件模糊测试引入了一种细粒度控制流反馈机制，实现了从盲目探索到目标测试的关键转变。实验结果表明，与DiFuzzRTL基线相比，所提出的CFGuide-Fuzz框架在相同迭代次数和测试环境下，将寄存器状态覆盖率提升了9.4%，并且将触发差分测试结果不匹配的有效输入数量翻倍。这些发现充分验证了该框架的双重优势：更深入的硬件控制流探索和更高的语义漏洞触发效率。
Keyword:
hardware fuzz testing
differential test
dynamic fuzz strategy
control flow extraction
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.2
论文数:
2.9K
被引数:
3.6W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容