Cormack的博客

预训练生成器G1​，权重α；生成器G2​，权重β；鉴别器D，权重γ；序列数据Px1T​；GAN训练epochs E;生成器训练过程 gstep；鉴别器训练过程dstep使用序列数据P进行预训练权重α，使用极大似然估计（MLE）将α赋值给β使用生成器Gα​生成smple N使用生成的N训练γ权重，从而最小化二元交叉熵i = 1-E，E个epoch​gstep​ 使用生成器Gα​生成Y1T​y1​y−2...yr​​。

一个用来对基于状态的协议模糊测试的基准测试器。

在根据协议类型(即基于文本的或二进制的)和使用的嵌入(即令牌或字节n-gram)对每个消息进行标记后，将会话的每个消息分配给马尔可夫模型的相应状态。由于协议的状态机被定义为二阶马尔可夫模型，因此有效的转换由新匹配的模板和之前匹配的两个模板以链表A:B:C的形式表示。从而提取通常在建模协议的某个阶段出现的公共消息结构。在触发新的不同的回复时，即其token和字节都灭法匹配的时候，为了触发状态的转换，pulsar使用Levenshtein字符串距离判断接收到的消息与所有可达模板之间的相似性，然后选择最近似的。

NEUZZ利用神经网络对程序进行平滑处理来提高模糊测试的效率和性能。以前的模糊测试，输入会被随机地变异生成不同的测试用例。这种随机变异的方法在测试效率和测试覆盖率上存在一定的局限性。NEUZZ引入神经网络来解决。神经网络训练：NEUZZ使用一个基于RNN（循环神经网络）的神经网络来对程序进行学习和平滑处理。通过将输入样本和对应的代码路径作为训练数据，NEUZZ学习到输入样本在不同代码路径上的执行特征，并生成平滑的输入样本，从而提高测试用例的质量和多样性。