lrzHHl的博客

编写高质量的模糊驱动程序是非常耗时的，并且需要对函数库有深刻的理解。然而，当前最先进的模糊驱动自动生成技术的性能还有许多需要改进的地方。从用户代码中学习的模糊驱动程序可以到达深层状态，但受限于它们的外部输入。另一方面，解释性模糊测试可以探索大多数API，但需要在广阔的搜索空间中进行大量的尝试。本文提出了覆盖率引导的模糊器PromptFuzz，用于提示模糊，通过迭代生成模糊驱动来探索未发现的库代码。

尽管SQL在简单的分析查询中无处不在，但它很少用于更复杂的计算，如机器学习、线性代数和其他计算密集型算法。这些算法通常以过程方式编程，看起来与声明性SQL查询非常不同。然而，SQL实际上提供了执行各种计算的构造。在本文中，我们展示了如何将过程结构转换为SQL-启用复杂的SQL-only算法。在算法中使用SQL可以使计算更接近数据，只需要最小的用户权限，并增加软件的可移植性。生成的SQL算法的性能在很大程度上取决于底层DBMS和SQL代码。

Fuzzing在发现各种软件系统中的错误和漏洞方面取得了巨大成功。以编程或形式语言为输入的被测系统（SUT），例如编译器、运行时引擎、约束求解器和具有可访问API的软件库，尤其重要，因为它们是软件开发的基本构建块。然而，用于此类系统的现有模糊器通常针对特定语言，因此不能容易地应用于其他语言甚至同一语言的其他版本。此外，现有模糊器生成的输入通常仅限于输入语言的特定特征，因此很难揭示与其他或新特征相关的错误。

日志作为半结构化文本具有丰富的语义信息，因此全面理解日志对于自动化日志分析至关重要。随着自然语言处理中预训练语言模型的成功，许多研究都利用这些模型来理解日志。尽管取得了成功，但现有的预训练语言模型仍然存在三个弱点。这些模型不能理解特定于领域的术语，尤其是缩写。这些模型难以充分捕获完整的日志上下文信息。这些模型难以获得同一原木的不同样式的通用表示。为了解决前两个挑战，我们分别利用公共文档中日志的缩写和自然语言描述作为本地和全局知识，并通过设计新的预训练任务来增强模型来利用这些知识。

**问题*** 许多自动日志工具被设计用来帮助开发人员完成日志任务之一。这些工具在某些情况下很有用，但通常不能提供全面的日志解决方案。* 尽管最近的研究已经开始探索端到端日志，但它仍然在很大程度上受到微调的高成本的限制，阻碍了它在软件开发中的实际用途。**创新点*** UniLog是一个基于大型语言模型(llm)的上下文学习(ICL)范式的自动日志框架。* UniLog可以生成一个适当的日志记录语句，该语句只包含一个提示符，其中包含五个演示示例，而不需要任何模型调优。* UniLog在预热后只