LLMs are All You Need? Improving Fuzz Testing for MOJO with Large Language Models

该文章提出了首个针对MOJO语言的零样本学习环境下的LLM驱动模糊测试框架MOJOFuzzer，解决了MOJO缺乏测试框架和LLM训练语料导致的模型幻觉问题，显著提升了测试有效性并发现了13个未知漏洞。

一、文章主要内容总结

1. 研究背景
   • MOJO作为融合Python易用性与C/C++效率的AI编程语言，虽能提升AI模型扩展性，但缺乏成熟测试框架和LLM训练语料。
   • 现有LLM模糊测试工具依赖大量领域数据，在MOJO这类新兴语言的零样本场景中，易生成语法正确但语义错误的代码，导致测试效果差。
2. MOJOFuzzer框架设计
   • 初始化阶段：从MOJO官方GitHub和文档收集数据，清洗后得到约300个漏洞报告和1500个语法样本，用于构建提示库（Prompt Bank）和种子库（Seed Bank），并采用CoT和角色提示技术优化提示质量。
   • 变异阶段：基于变异评分（API调用数+代码复杂度）将种子分为高、低优先级，分别执行半变异（代码级修改）和全变异（提示级修改），提升测试多样性。
   • 微调阶段：分两阶段微调LLAMA2 13B模型，先学习MOJO语法规则，再学习历史漏洞模式，减少模型幻觉。
3. 实验结果
   • 性能指标：MOJOFuzzer的API覆盖率达77