.png){kind=icon}
返回
Optimized mutation scheduling for fuzzing based on estimation of distribution algorithm
.png){kind=icon}
OA
AI
DOI：10.1186/s42400-025-00461-7.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在现代软件漏洞发现中，基于变异的模糊测试技术被广泛应用，其性能高度依赖于变异调度策略的有效性。当前多数研究主要聚焦于优化种子调度。然而，变异调度在模糊测试中同样起着关键作用，因为它决定了如何选择和应用变异算子以生成新的测试用例。现有的变异调度方案面临若干问题，例如需要用户输入手动参数以及管理不当的开销。为应对这些挑战，本文提出了一种创新的变异调度模型HavocEDA，利用分布估计算法优化模糊测试中的变异算子选择，从而提升漏洞检测效率。HavocEDA模型能够根据模糊测试反馈动态调整变异算子的概率分布，实现对软件潜在漏洞更高效的探索。我们基于流行的通用模糊测试工具AFL实现了一个原型。在FuzzBench的9个开源Linux程序上对HavocEDA进行了评估。实验结果表明，与当前最先进的模糊测试工具AFL、DARWIN、MOpt和HavocMAB相比，HavocEDA在边覆盖率和崩溃发现方面表现出性能提升。
Keyword:
Fuzzing
Mutation scheduling
Probability distribution
Optimization
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
C
IF:
3.7
论文数:
611
被引数:
1.0K
机构
引用论文
.png){kind=icon}
SySeVR: A Framework for Using Deep Learning to Detect Software VulnerabilitiesSySeVR: 使用深度学习检测软件漏洞的框架OAAI
OAAI分享收藏
查看更多内容