Investigating Metamorphic Fuzz Oracle Enhancement via Large Language Models
本文介绍了 MetaFOE，这是一个基于大语言模型（LLM）的框架，它能够自动生成并将蜕变关系集成到模糊测试驱动程序中，以克服基于崩溃的判定依据（oracle）的局限性，从而显著提高灰盒模糊测试中的代码覆盖率和崩溃检测能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在为一个规模宏大、结构复杂的图书馆（即软件）雇佣一名保安。你的目标是在有人受伤之前，发现隐藏的陷阱或损坏的书架（即漏洞/Bug）。
在软件测试的世界里，这种保安被称为模糊测试驱动程序（Fuzz Driver）。它的工作是向图书馆的门窗投掷随机的书籍、纸张和物体，看看是否会有东西损坏。
问题所在：“仅关注崩溃”的保安
目前的这些保安有点懒惰。他们只有一个规则：“如果图书馆起火了或者建筑坍塌了，我就报告一个漏洞。”
这就像是在说：“我只关心建筑是否倒塌。”但如果书架在危险地摇晃，或者门从内部被锁住了呢？虽然建筑还没有坍塌，但它已经出问题了。论文指出，目前 81% 的保安只会在发生彻底坍塌（程序崩溃）时才进行报告，而忽略了这些细微的功能性问题。他们对图书馆实际的规则和逻辑视而不见。
解决方案：“逻辑检查型”保安
作者提出了一种新型的保安，它理解蜕变关系（Metamorphic Relations）。
你可以把“蜕变关系”想象成一种神奇的一致性规则。例如：
- “如果我在句子中多加几个空格，句子的意思不应该改变。”
- “如果我打乱食谱中食材的顺序，最终做出的菜肴味道应该保持不变。”
一个“蜕变保安”不仅仅是等待建筑倒塌。它会检查：“我往门上扔了一本书。现在，我要扔同一本书，但外面多裹了一层包装纸。如果门开启的方式变了，那就是一个漏洞！”
这使得保安即使在建筑没有坍塌的情况下，也能发现逻辑上的错误。
挑战：教导保安
问题在于，为每一座图书馆编写这些“神奇规则”极其困难。这需要对该特定图书馆的工作原理有深入的理解。人类编写数以千计的图书馆规则速度太慢了。
创新点：AI 助手（大语言模型/LLMs）
这就是论文引入 MetaFOE 的地方。作者使用了大语言模型（LLMs）——超级智能的 AI 聊天机器人——来充当“规则编写者”。
- AI 阅读图书馆的使用手册（源代码）。
- AI 发明神奇的规则（蜕变关系），即图书馆应该遵循的规则。
- AI 编写代码，将这些规则转化为一个新的保安（“蜕变驱动程序”）。
研究发现
研究人员在 10 个不同的真实世界软件库（如图像压缩器和文档解析器）上测试了这个 AI 助手。结果如下：
- AI 是一个优秀的作家： 它成功创建了超过 2,600 条有效的神奇规则，并将它们转化成了 6,200 个新的保安。
- 更好的覆盖率： 这些新保安探索的库代码比旧的“仅关注崩溃”的保安多出了 18.7%。它们找到了旧保安从未看过的角落。
- 发现更多漏洞： 新保安触发了 1,528 个独特的崩溃（漏洞），而旧的保安完全错过了这些漏洞。其中许多是“功能性漏洞”——即某些功能坏了，但并不会立即导致整个系统崩溃。
难点：AI 需要人类编辑
论文还发现，AI 并非完美无缺。有时，AI 编写的规则在技术上是正确的，但过于严格，导致保安在并没有问题的情况下大喊“有漏洞！”（即“误报”）。
在一个案例研究中，他们展示了当 AI 犯错时，人类可以通过解释错误来引导 AI，然后 AI 可以重写自己的代码来修正这个错误。这就像一个做错题的学生，通过老师的讲解学习知识，然后纠正自己的答案。
总结
这篇论文关于升级软件安全保安。与其仅仅等待建筑坍塌，不如利用 AI 教导保安如何检查细微的逻辑错误。结果表明，这是一种更智能的测试系统，它能发现更多漏洞并覆盖更广的范围，证明了 AI 可以成为让软件更安全的强大伙伴。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。