基于大语言模型的JS引擎模糊测试方法
电子技术应用
丁加宇，沙乐天，潘家晔
南京邮电大学 计算机学院
摘要： 现有浏览器JavaScript引擎Fuzz工具在检测非崩溃类漏洞时存在不足。为此，提出一种结合内存检测与大语言模型的增强型漏洞检测方法。该方法改进Fuzz工具对潜在漏洞的判别能力，降低漏报率。同时，将大语言模型与常规变异器相结合，在PoC集激励下生成更复杂且具针对性的测试用例，有效探索深层代码路径，提升代码覆盖率。实验结果显示，改进后的工具在分支覆盖率和漏洞检测能力上较现有工具有效提升。
中圖分類號：TP309 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.256463
中文引用格式： 丁加宇，沙樂天，潘家曄. 基于大語言模型的JS引擎模糊測試方法[J]. 電子技術應用，2026，52(2)：66-70.
英文引用格式： Ding Jiayu，Sha Letian，Pan Jiaye. Fuzz testing method for JavaScript engines based on large language model[J]. Application of Electronic Technique，2026，52(2)：66-70.
中文引用格式： 丁加宇，沙樂天，潘家曄. 基于大語言模型的JS引擎模糊測試方法[J]. 電子技術應用，2026，52(2)：66-70.
英文引用格式： Ding Jiayu，Sha Letian，Pan Jiaye. Fuzz testing method for JavaScript engines based on large language model[J]. Application of Electronic Technique，2026，52(2)：66-70.
Fuzz testing method for JavaScript engines based on large language model
Ding Jiayu，Sha Letian，Pan Jiaye
School of Computer Science， Nanjing University of Posts and Telecommunications
Abstract： Existing Fuzz tools for browser JavaScript engines are insufficient in detecting non-crashing vulnerabilities. To address this issue, an enhanced vulnerability detection method combining memory detection and large language models (LLMs) is proposed. This method improves the Fuzz tool's ability to identify potential vulnerabilities and reduces the false-negative rate. Additionally, the integration of LLMs with conventional mutators generates more complex and targeted test cases under the stimulus of Proof-of-Concept (PoC) sets, effectively exploring deeper code paths and increasing code coverage. Experimental results show that the improved tool significantly enhances branch coverage and vulnerability detection capabilities compared to existing tools.
Key words : Fuzz testing；JavaScript engine；use after free
引言
隨著互聯網普及，瀏覽器作為訪問在線服務、獲取信息和交流的關鍵工具，承載大量敏感信息，其安全性至關重要?，F代瀏覽器支持JavaScript引擎和WebAssembly等復雜功能，雖提升Web應用交互性和性能，但也增加安全風險，如JavaScript引擎出現過UAF、越界寫入和整數溢出等漏洞[1-3]。
模糊測試作為自動化安全測試方法，可通過輸入大量隨機數據發現潛在漏洞[4]，在復雜瀏覽器系統中優勢顯著，但也面臨優化測試策略、提高效率以及減少誤報和漏報等挑戰。
本文提出基于大語言模型的改進方法，優化測試用例生成和變異過程，提升Fuzz工具效率。借助大語言模型，生成更復雜且具針對性的測試用例，增強測試用例多樣性和覆蓋范圍，改進工具還強化對內存管理問題的檢測能力，尤其在UAF漏洞檢測方面，提高Fuzz工具在復雜程序空間中的漏洞探索能力。
本文詳細內容請下載：
http://m.tom3567.com/resource/share/2000006972
作者信息：
丁加宇，沙樂天，潘家曄
（南京郵電大學 計算機學院，江蘇 南京 210023）
此內容為AET網站原創，未經授權禁止轉載。