论文阅读-IDFUZZ: Intelligent Directed Grey-box Fuzzing

一.局限：

现有方法将到目标的距离衡量输入与目标代码的远近，存在大量无效变异，不一定能到目标分支。

二.创新点：

建立了一个新导航，它不再只是告诉距离目标的距离多少，而是一个智能导航

1.准备阶段：分支编码提供“地图”，明确当前位置和下一步方向：

dom_bbs[i] ：由静态分析获取 target_dominance_analysis()

output_vector = [0, 0, 0, 0, 0]

output_vector = [1, 1, 0.625, 0, 0]        A类

用二进制记录你走了哪条岔路：比如走了第1条和第3条 → 二进制101 → 转成0~1之间的小数（5/8=0.625）

2.准备数据集：收集历史模糊测试输入，识别哪些操作能靠近目标，自适应数据集让探测更灵敏，只关注有效信号：

·模糊测试会生成海量输入，但大部分是"无效经验"（比如总是卡在在第一个）。

·精选数据：只保留接近目标的输入（覆盖较多dom-BBs的输入），剔除重复路径的输入（100条都卡在同一个块的记录，选1条代表性的）。

·最终得到一个小而精的数据集（约1000条记录），避免模型学坏。

3.梯度过滤与聚类精准定位关键字段，避免无效挖掘：

通过将输入输入训练好的模型得到输出，我们可以得到下面的雅各比矩阵，每个梯度代表第 n个输入字节对第 m 个分支编码dom-BB覆盖状态的影响程度，越大影响越大。

1）计算输入字节对某个覆盖状态的“敏感度”-梯度

2）梯度过滤：避免误判敏感字节

对比不同梯度向量，只保留那些在当前分支敏感度高，但在其他分支敏感度低”的字节

3）单个字节不够，多个字节共同作用

把位置相邻、敏感度都很高的字节聚成“关键区域”

三.建模：

静态分析	看懂程序结构	编译 Pass、生成 .bc、画调用图
路径建模	找出通往目标的必经之路	提取支配函数、生成支配图
动态 fuzz	不断尝试输入	启动 AFL，收集覆盖率
智能引导	让 fuzz 更聪明	神经网络实时反馈，指导变异