DeepGo: 预测性有向灰盒模糊测试
软件工程
2025-07-30 v1 机器学习
摘要
最先进的有向灰盒模糊测试技术通过重新定义和优化适应度度量，精准且快速地到达目标位置。然而，针对适应度度量的优化主要基于启发式算法，这些算法通常依赖历史执行信息，且缺乏对尚未执行的路径的前瞻性。因此，这些难以执行的路径（具有复杂约束）会阻碍有向灰盒模糊测试到达目标，使其效率较低。本文提出DeepGo，一种预测性有向灰盒模糊器，能够结合历史信息和预测信息，引导有向灰盒模糊测试通过最优路径到达目标位置。我们首先提出路径转换模型，将有向灰盒模糊测试建模为通过特定路径转换序列到达目标位置的过程。通过变异生成的新种子会导致路径转换，而对应于高奖励路径转换序列的路径表明其有较大概率通过该路径到达目标位置。随后，为预测路径转换及其对应的奖励，我们使用深度神经网络构建虚拟集合环境（VEE），该环境逐渐模拟路径转换模型，并预测尚未执行的路径转换的奖励。为确定最优路径，我们开发了用于模糊测试的强化学习（RLF）模型，以生成奖励最高的转换序列。RLF模型能够结合历史和预测的路径转换，生成最优的路径转换序列，并生成指导变异策略的策略。最后，为练习高奖励路径转换序列，我们提出了动作组的概念，综合优化模糊测试的关键步骤，以有效率地实现到达目标的最优路径。
引用
@article{arxiv.2507.21952,
title = {DeepGo: Predictive Directed Greybox Fuzzing},
author = {Peihong Lin and Pengfei Wang and Xu Zhou and Wei Xie and Gen Zhang and Kai Lu},
journal= {arXiv preprint arXiv:2507.21952},
year = {2025}
}