文章总结： 本文提出LogFuzz方法，利用大模型增强云边端内核竞态漏洞模糊测试。通过分析内核崩溃日志挖掘系统调用依赖，构建知识库并微调模型，实现智能种子选择与定向变异。实验表明，该方法在Linux内核测试中提升了分支覆盖率和用例有效性，触发更多竞态崩溃，优于传统工具Syzkaller。 综合评分： 88 文章分类： AI安全,漏洞分析,云安全

优秀论文 | 复旦大学陈平：云边端内核竞态漏洞大模型分析方法研究

信息网络安全杂志

2026年2月11日 17:02 上海

引用本文

陈平, 骆明宇. 云边端内核竞态漏洞大模型分析方法研究[J]. 信息网络安全, 2025, 25(7): 1007-1020.

CHEN Ping, LUO Mingyu. Research on Large Model Analysis Methods for Kernel Race Vulnerabilities in Cloud-Edge-Device Scenarios[J]. Netinfo Security, 2025, 25(7): 1007-1020.

研究背景

云边端（Cloud-Edge-Device）协同计算架构在智慧城市、工业互联网和自动驾驶等领域广泛应用，该架构整合云计算、边缘计算和终端设备，处理海量数据和决策任务。操作系统内核作为核心基础设施，其稳定性和安全性面临挑战，特别是内核竞态条件漏洞。这些漏洞源于并发环境下对共享资源的访问顺序不当，可能导致系统崩溃、数据损坏或权限提升。在云边端环境中，异构硬件、多样化网络连接、海量并发请求和分布式协作逻辑加剧了并发场景的复杂性，使得竞态条件触发路径更隐蔽。传统内核模糊测试工具如Syzkaller依赖预定义系统调用描述和随机变异策略，在语义理解、复杂依赖建模和云边端适应性方面存在局限，无法有效模拟分布式交互或资源竞争模式。大语言模型（Large Language Models, LLMs）在代码理解和生成领域表现出捕捉上下文和语义关系的潜力，本研究的目标是通过将LLMs融入内核分析框架，动态学习系统调用依赖关系，优化模糊测试过程，以应对云边端内核安全问题。

研究方法和结果

本研究提出LogFuzz方法，将LLMs作为外部知识和推理引擎嵌入内核模糊测试框架，通过知识注入机制实现系统调用依赖关系的动态学习和分析。首先，从32837条Syzkaller生成的Linux内核崩溃日志中提取系统调用模式。数据清洗过程包括规则过滤器去除无效参数、统一系统调用名称，并对参数进行归一化和抽象化表示，如将文件描述符替换为符号化占位符。每个系统调用构建多维特征向量，包括调用标识、参数特征、上下文特征（如所属子系统）和历史崩溃关联度。将崩溃序列保持时序性，并针对云边端场景优先处理网络、进程间通信和设备驱动日志，通过上下文截取和参数扰动增强数据多样性。

在此基础上，挖掘三类依赖特性：数据依赖（输出作为后续输入）、控制依赖（结果影响执行路径）和资源共享与竞争依赖（并发访问共享资源）。通过序列模式挖掘算法分析高频异常子序列和崩溃相关组合，识别典型依赖模式。

接下来，利用LLMs驱动潜在依赖关系发现与结构化。设计迭代式提示框架，初始提示引导LLMs从序列中提取候选依赖元组，包括类型、置信度和解释。随后，通过追问式提示交叉验证和精炼依赖。将依赖转化为模板形式：前提条件、关系类型、约束和风险，形成系统调用依赖知识库。

为增强LLMs能力，采用多阶段微调框架。监督微调（Supervised Fine-Tuning, SFT）使用知识库和崩溃序列构建数据集，任务包括依赖预测、风险评估和序列修正。参数高效微调采用低秩适应（Low-Rank Adaptation, LoRA），冻结大部分参数，针对通用和云边端特定层设计分层适配。直接偏好优化（Direct Preference Optimization, DPO）基于模糊测试反馈构建偏好对，高覆盖率或崩溃序列标记为优选，优化LLMs生成行为。通过多次执行确认标签稳定性，缓解随机波动影响。

扩展Syzkaller框架，引入LLMs增强器模块。工作流程包括智能种子选择（基于知识评估潜力排序）、定向变异（提交序列给LLMs生成建议）和动态知识库更新。变异机制涉及上下文理解、策略生成（如依赖链扩展、并发模式注入、云边端交互模拟和语义参数探索）、操作实例化和有效性预估。这些方法解决了传统随机变异在语义有效性和复杂交互覆盖方面的不足，提升了测试用例针对性。

实验

验在NVIDIA A6000 GPU服务器集群上进行，测试Linux Kernel v5.15和v6.1，使用Qwen2.5-14B模型微调。知识注入数据集包含320万问答对，覆盖78个子系统和256类交互模式。对比Syzkaller基线，评估指标包括分支覆盖率、语义有效性验证通过率、触发崩溃数量和新颖路径发现。

在18小时测试中，LogFuzz在v6.1内核的分支覆盖率达153435个，Syzkaller为148517个。语义有效性验证通过率为94.2%，表示多数变异符合内核规范。触发7次崩溃，其中4次与竞态条件相关，包括Use-After-Free和并发数据访问导致的空指针解引用，这些崩溃涉及模拟网络负载和设备并发操作。Syzkaller触发5次崩溃，竞态相关2次。覆盖率增长曲线显示LogFuzz在探索复杂控制流和云边端模块时更快。

研究结论

LogFuzz方法通过崩溃日志分析、依赖知识注入和LLMs引导变异，提供了一种云边端内核竞态条件检测的技术路径。结果显示，在相同时间内提升分支覆盖率，生成高有效性测试用例，并触发更多竞态相关崩溃。该方法可应用于提升系统安全，但依赖历史日志可能引入偏差，计算开销限制边缘部署，适应其他漏洞类型有限。未来可扩展到融入多源数据、轻量化模型和多模态融合，以处理新型场景和实时学习。

通信作者:

骆明宇 [email protected]

作者简介:

陈平（1985—），男，江苏，研究员，博士，主要研究方向为软件和系统安全。

骆明宇（2003—），男，安徽，博士研究生，主要研究方向为人工智能赋能传统安全。

阅读原文

请长按识别二维码

信息网络安全

《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。

中文核心期刊

中国科技核心期刊

中国科学引文数据库来源期刊

CCF计算领域高质量科技期刊

我们在不断努力和完善中，期待您的关注和支持！

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：信息网络安全杂志 《优秀论文 | 复旦大学陈平：云边端内核竞态漏洞大模型分析方法研究》