3.7. Not all bytes are equal Neural byte sieve for fuzzing

这篇文章的想法很直接，考虑到一个结构化的输入，在某些点变异会比在其他地方变异更有用，于是就产生了先预测变异的热力图，然后再变异的想法。

文中先在有限的时间内进行正常的模糊测试的流程，拿到样本及其覆盖率对模型进行训练。考虑到输入是一个连续的字节流，使用LSTM算法来建立模型。

训练模型用四个参数

• 输入

• 输入对应的覆盖

• 变异后的输入

• 变异后的输入对应的覆盖

模型把输入转成一个向量，输出的热力图也是一个向量，向量的每个单位是一个字节，表示变异这里带来覆盖率提升的可能性。 模型建立好后，用这个热度图来指导变异，先diff变异前后的样本，得到一个新的向量，变异记为1，否则为0。用这个新的向量乘上对应的heapmap，如果结果大于设置好的阈值，就对该变异进行测试。