.png){kind=icon}
返回
Reinforcement Learning-Based Multi-Phase Seed Scheduling for Network Protocol Fuzzing
.png){kind=icon}
OA
AI
DOI：10.3390/electronics13244962.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在网络协议模糊测试中，有效的种子调度对提高测试效率起着关键作用。网络协议模糊测试中的传统状态驱动种子调度方法常受限于种子选择不均衡、整体化调度策略以及无效的权重分配。为克服这些局限性，我们提出了SCFuzz，具体通过采用多臂赌博机模型来动态平衡多个模糊测试阶段中的探索与利用。模糊测试过程被划分为初始、中期和最终三个阶段，并在每个阶段调整种子选择策略以优化新状态、路径和代码覆盖的发现。此外，SCFuzz采用基于状态权重的权重分配方法，将权重集中在高潜力消息上以提高整体模糊测试效率。在开源协议实现上的实验评估表明，SCFuzz显著提升了状态和代码覆盖，与AFLNet相比，实现了最多17.10%的更多状态、22.92%更高的状态转换和7.92%更大的代码分支覆盖。此外，SCFuzz将种子选择有效性提高了389.37%，并将权重利用率提高了45.61%，有效提升了模糊测试的整体效率。
Keyword:
protocol fuzzing
multi-armed bandit model
multi-phase
seed scheduling
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容