ELFUZZ: Efficient Input Generation via LLM-driven Synthesis Over Fuzzer Space

文章主要内容与创新点总结

一、主要内容

1. 研究背景与问题
   基于生成的模糊测试（generation-based fuzzing）需手动构建输入语法和语义约束规范，耗时费力，且现有自动合成方法存在可扩展性（scalability）和效率问题。例如，传统方法依赖复杂程序分析，难以适配大规模真实系统（如超百万行代码的软件），且语法规则实例化过程开销大。

2. 核心方法：ELFUZZ

   • LLM驱动的进化循环：从简单的随机种子模糊器出发，利用LLM（如CodeLlama）进行代码变异（如拼接、补全、填充），逐步优化模糊器。
   • 模糊器空间（Fuzzer Space）引导：将模糊器按代码覆盖范围构建成格结构（lattice），通过覆盖范围的子集关系定义模糊器“强度”，实现细粒度评估与筛选，避免单一覆盖率值的粗陋比较。
   • 进化步骤：每次迭代通过LLM生成变异体，基于Fuzzer Space筛选覆盖范围更广或新区域的模糊器，逐步逼近最优解。

3. 实验结果

   • 覆盖率与漏洞发现：在7个基准测试中，ELFUZZ覆盖率较现有技术提升418.5%，触发人工注入漏洞数量提升216.7%；在cvc5中发现5个0