Large Language Models Based Fuzzing Techniques: A Survey

本文是LLM系列文章，针对《Large Language Models Based Fuzzing Techniques: A Survey》的翻译。

摘要

在软件发挥关键作用的现代，软件安全和漏洞分析已成为软件开发的关键。模糊测试作为一种高效的软件测试方法，广泛应用于各个领域。此外，大型语言模型（LLM）的快速发展促进了它们在软件测试领域的应用，表现出了显著的性能。考虑到现有的模糊测试技术并不是完全自动化的，软件漏洞也在不断演变，使用基于大型语言模型生成的模糊测试的趋势越来越大。这项调查提供了融合LLM和模糊测试的软件测试方法的系统概述。在本文中，通过总结截至2024年的最先进方法，对LLM、模糊测试和基于LLM生成的模糊测试三个领域的文献进行了统计分析和讨论。我们的调查还调查了LLM生成的模糊测试技术在未来广泛部署和应用的潜力。

1 引言

2 背景

3 基于LLM的模糊测试分析

4 关于未来工作和挑战的讨论

5 结论

在我们的调查中，我们对基于大型语言模型的模糊测试技术进行了深入的回顾和总结，涵盖了人工智能和非人工智能软件领域的广泛应用。我们总结了不同基于LLM的模糊器的框架和原理，