摘要

在過(guò)去的幾十年中，模糊在改進(jìn)軟件開(kāi)發(fā)和測(cè)試方面發(fā)揮了重要作用。最近對(duì)模糊化的研究集中在機(jī)器學(xué)習(xí)（ML）的應(yīng)用上，為克服模糊化過(guò)程中的挑戰(zhàn)提供了有用的工具。本文綜述了最大似然法在模糊化中的應(yīng)用研究現(xiàn)狀。具體來(lái)說(shuō)，本綜述討論了ML在模糊化中的成功應(yīng)用，簡(jiǎn)要探討了遇到的挑戰(zhàn)，并推動(dòng)了未來(lái)解決模糊化瓶頸的研究。

內(nèi)容

在本次調(diào)查中，我們重點(diǎn)關(guān)注三種主要的ML類型，每種類型都適用于不同類型的任務(wù)。監(jiān)督學(xué)習(xí)用于訓(xùn)練模型以識(shí)別給定數(shù)據(jù)點(diǎn)的類標(biāo)簽，例如圖像是否包含特定對(duì)象。這種類型的ML需要數(shù)據(jù)集，其中每個(gè)數(shù)據(jù)點(diǎn)都有一個(gè)明確的標(biāo)簽。無(wú)監(jiān)督學(xué)習(xí)用于訓(xùn)練模型，以發(fā)現(xiàn)數(shù)據(jù)點(diǎn)之間的模式或相似性，而不是標(biāo)記類。當(dāng)數(shù)據(jù)沒(méi)有顯式標(biāo)簽時(shí)，使用這種類型的ML。強(qiáng)化學(xué)習(xí)用于訓(xùn)練模型（通常稱為管理者），以便在環(huán)境中采取一組最佳行動(dòng)。這種類型的ML會(huì)獎(jiǎng)勵(lì)代理在環(huán)境中執(zhí)行的每一個(gè)操作。與監(jiān)督學(xué)習(xí)類似，獎(jiǎng)勵(lì)充當(dāng)代理的標(biāo)簽，并提供要采取的最佳行動(dòng)的指示。因此，可以訓(xùn)練代理人采取一系列行動(dòng)，從而獲得最高的回報(bào)。這三種類型中的每一種都可以采用一種特殊形式的ML，稱為深度學(xué)習(xí)。深度學(xué)習(xí)是指一種分層學(xué)習(xí)，可用于學(xué)習(xí)一組數(shù)據(jù)點(diǎn)的基本特征和結(jié)構(gòu)[25]。
Types of Fuzzers：基于突變、基于生成和進(jìn)化。mutation-based, generation-based, and evolutionary.

總結(jié)

以上是生活随笔為你收集整理的2019 A Review of Machine Learning Applications in Fuzzing的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。