注意力距离：一种基于大语言模型的有向模糊测试新指标
软件工程
2025-12-24 v1 人工智能
摘要
在软件安全测试领域，有向灰盒模糊测试（DGF）因其高效的目标定位和优异的检测性能而广受关注。然而，现有方法仅衡量种子执行路径与目标位置之间的物理距离，忽略了代码片段之间的逻辑关系。这一缺失可能在复杂二进制文件中产生冗余或误导性的引导，削弱 DGF 的实际效果。为此，我们引入注意力距离（attention distance）这一新指标，利用大语言模型的上下文分析计算代码元素之间的注意力分数，以揭示其内在联系。在相同的 AFLGo 配置下——无需更改任何模糊测试组件仅替换距离度量标准——在 38 个真实漏洞复现实验中，用注意力距离替代物理距离可实现对传统方法的 **3.43 倍** 测试效率提升。相较于最先进的有向模糊器 DAFL 和 WindRanger，我们的方法实现了 **2.89 倍** 和 **7.13 倍** 的改进。为进一步验证注意力距离的通用性，我们将其集成到 DAFL 和 WindRanger 中，发现其也能稳定提升原有性能。所有相关代码和数据集均已公开于 https://github.com/TheBinKing/Attention_Distance.git。
引用
@article{arxiv.2512.19758,
title = {Attention Distance: A Novel Metric for Directed Fuzzing with Large Language Models},
author = {Wang Bin and Ao Yang and Kedan Li and Aofan Liu and Hui Li and Guibo Luo and Weixiang Huang and Yan Zhuang},
journal= {arXiv preprint arXiv:2512.19758},
year = {2025}
}
备注
Accepted to ICSE 2026 Research Track