覆盖导向型模糊测试技术是当今最为流行、最为有效的自动化漏洞挖掘方法。它根据测试用例的代码覆盖率选择出触发更多执行状态的种子,将经过变异生成新的测试用例输入到目标程序中执行,不断重复这一过程直到发现漏洞。但这种方法存在一定的局限性,现有的模糊测试工具一般使用块覆盖率标尺或边覆盖率标尺来跟踪代码覆盖率,但块/边覆盖率所能区分的执行状态是有限的,它们没有涵盖执行路径的全部信息,这使得模糊测试的测试粒度较粗。覆盖导向型模糊测试通常以测试用例的路径特征为依据调度优秀的种子。但块/边覆盖率涵盖的路径信息不足以推导出测试用例的路径信息,这使得一些高效的种子选择策略无法有效地实施。而包含执行路径全部信息的路径覆盖率标尺在应用时会造成无法接受的运行时开销和内存开销。因此,尚未有模糊测试工具使用路径覆盖率标尺。跟踪路径覆盖率需要记录执行路径包含的所有基本块以及这些基本块的执行顺序,这一过程将造成大量的性能开销。而保存已经触发的执行路径并将新的执行路径与已经触发过的执行路径进行比较将带来难以接受的性能开销和内存开销。本文研究了执行路径的控制流结构,发现循环结构和各类分支对执行路径产生了非常巨大的影响。循环结构会明显地增加执行路径的长度,而分支则会增加执行路径的数量。为了消除循环结构的影响,本文设计了一种循环预处理方法,在保持控制流和数据流特征的前提下将循环折叠成一个基本块。为了缓解分支对执行路径跟踪的影响,本文提出了关键块推理网络。关键块推理网络旨在解决使用最少的结点标记任意一个有向图的所有路径问题。仅对关键块进行跟踪即可区分出程序的所有执行路径,这是轻量级的路径覆盖率跟踪的关键。高效的种子选择策略通常考虑测试用例的路径特征,而块/边覆盖率无法获得路径特征。本文在实现轻量级的路径覆盖率跟踪后提出了两个基于路径覆盖率的种子选择策略,从而实现了高效的路径导向的模糊测试技术。