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，并讨论了这些技术如何引入LLM来增强传统的模糊测试技术。与传统的模糊器相比，基于LLMs的模糊器提供了优越的API和代码覆盖率，发现了更复杂的bug，并提高了模糊测试的自动化程度。这样，基于LLM的模糊技术在推进软件测试领域显示出巨大的潜力。这项调查的见解和结果有望成为该领域研究人员和从业者的宝贵资源，指导使用LLM开发更高效、