摘要
随着软件系统规模和复杂性的不断增长，模糊测试（fuzzing）已成为发现安全漏洞不可或缺的自动化技术。与基于覆盖范围的模糊测试相比，定向灰盒模糊测试（Directed Greybox Fuzzing，DGF）会将执行流程聚焦于特定的基本代码块或功能，因此在补丁测试和漏洞复现等场景中得到广泛应用。近期研究将模糊测试与符号执行（Symbolic Execution，SE）结合使用，以生成仅通过传统变异方法难以获得的输入数据。然而，对执行路径上的所有分支条件都应用符号执行可能会导致探索许多与目标无关的路径，从而增加定向模糊测试的开销。同时，现有的距离度量方法在引导测试用例到达目标方面仍存在局限性：AFLGo依赖结构控制流距离来评估可达性，但这可能无法准确反映目标的可达性；而基于概率的度量方法则常常简化了循环和回边等复杂的控制流结构。为了解决这些问题，我们提出了TriFuzz——一种基于概率的距离引导的混合定向模糊测试框架，该框架集成了循环感知的可达性距离模型、目标相关的选择性符号仪器化技术以及AFLGo与SymCC之间的紧密协调机制。TriFuzz以基于概率的距离模型作为主要指导信号，并通过选择性符号仪器化技术去除无关的基本代码块，将探索重点集中在与目标相关的代码区域。我们在AFLGo测试套件和UniBench上的评估表明，TriFuzz在大多数测试基准中提高了到达目标所需的时间以及暴露漏洞所需的时间，证明了细粒度概率距离引导与选择性符号推理以及紧密集成的混合执行策略的有效性。
