面向模糊测试的人类在环：文献综述及展望
软件工程
2026-03-17 v1 人机交互
摘要
模糊测试是检测软件中错误和漏洞的最有效技术之一。然而，作为模糊测试基础的自动化启发式方法往往难以发现深层或复杂的漏洞。因此，模糊测试的性能仍受到限制。一种有前景的解决方法是将人类专家指导集成到模糊测试范式中。尽管已有一些工作致力于此方向，但仍缺乏将人类在环 (HITL) 与模糊测试系统性研究路线图，阻碍了进一步提升模糊测试效果的潜力。为填补这一空白，本文为 HITL 模糊测试勾勒了前瞻的研究路线图。具体而言，我们强调了可解释化模糊测试过程的可视化技术的前景，以及一种实现专家引导模糊测试走向难以到达程序行为的即时干预技术。此外，大型语言模型 (LLM) 的兴起带来了新的机遇和挑战，提出了关于人类如何高效提供可操作知识、专家元知识如何被利用，以及在与 LLM 共同构成的智能模糊测试循环中，人类应扮演什么角色等问题。为回答这些问题，我们调查了 HITL 模糊测试的既有工作，并提出强调以下未来机遇的研究议程：(1) 人类监控，(2) 人类引导，和 (3) 人类-LLM 协作。我们呼吁向一种以交互式、人类引导的模糊测试系统为变革，这些系统将专家洞见与 AI 驱动的自动化相结合，融入下一代模糊测试生态系统。
引用
@article{arxiv.2603.13411,
title = {Human in the Loop for Fuzz Testing: Literature Review and the Road Ahead},
author = {Jiongchi Yu and Xiaolin Wen and Sizhe Cheng and Xiaofei Xie and Qiang Hu and Yong Wang},
journal= {arXiv preprint arXiv:2603.13411},
year = {2026}
}
备注
23 pages