摘要

在過去的幾十年中，模糊在改進軟件開發和測試方面發揮了重要作用。最近對模糊化的研究集中在機器學習（ML）的應用上，為克服模糊化過程中的挑戰提供了有用的工具。本文綜述了最大似然法在模糊化中的應用研究現狀。具體來說，本綜述討論了ML在模糊化中的成功應用，簡要探討了遇到的挑戰，并推動了未來解決模糊化瓶頸的研究。

內容

在本次調查中，我們重點關注三種主要的ML類型，每種類型都適用于不同類型的任務。監督學習用于訓練模型以識別給定數據點的類標簽，例如圖像是否包含特定對象。這種類型的ML需要數據集，其中每個數據點都有一個明確的標簽。無監督學習用于訓練模型，以發現數據點之間的模式或相似性，而不是標記類。當數據沒有顯式標簽時，使用這種類型的ML。強化學習用于訓練模型（通常稱為管理者），以便在環境中采取一組最佳行動。這種類型的ML會獎勵代理在環境中執行的每一個操作。與監督學習類似，獎勵充當代理的標簽，并提供要采取的最佳行動的指示。因此，可以訓練代理人采取一系列行動，從而獲得最高的回報。這三種類型中的每一種都可以采用一種特殊形式的ML，稱為深度學習。深度學習是指一種分層學習，可用于學習一組數據點的基本特征和結構[25]。
Types of Fuzzers：基于突變、基于生成和進化。mutation-based, generation-based, and evolutionary.

總結

以上是生活随笔為你收集整理的2019 A Review of Machine Learning Applications in Fuzzing的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。