论文指出，以LLM为核心的反编译器即使通过编译和测试，仍有4.9%至13%的代码在合法输入上与原始程序行为不符，现有指标无法捕捉此类错误。为此提出Decompile-Diverge，用模糊测试对比行为，发现可重编译性与行为一致性背离，漏洞可能无声消失。建议将可重编译性降为必要条件，并辅以行为等价测试。

Canonical资助布里斯托大学研究，利用AI工具将旧C代码自动重写为安全Rust，并以AppArmor和snap-confine为测试对象。研究重点在于验证生成代码与原C行为一致，避免依赖unsafe，结合模糊测试和符号修复确保内存安全及功能等价，旨在解决大规模重写中的信任问题。

尽管OSS-Fuzz对开源项目进行了多年模糊测试，仍有漏洞存在。OSS-Fuzz与OpenSSF合作发现了大量漏洞，但持续的模糊测试并非解决所有问题的灵丹妙药。许多项目在多年测试后仍有严重漏洞，需要人工监督以确保测试覆盖率并编写新的模糊器。

在Sentry的Hackweek中，团队开发了名为Gremlins的AI模糊测试代理，旨在通过模拟用户行为发现软件错误。Gremlins利用Sentry的SDK捕捉错误并收集数据，以提高应用程序的稳定性。它通过创建网页的文本表示与网站互动，但在资源使用和智能方面仍面临挑战。

文章讨论了将 Rust 的 arbitrary 和 derive_arbitrary crate 更新至 v1.4.2，以减少编译时间和提高模糊测试速度。作者提出三项改进，成功将增量重建时间减少约5%。同时，分享了开发 FAT32 驱动程序的经验，展示了在嵌入式项目中的成功实施过程。

模糊测试是一种动态软件测试技术，通过输入无效或随机数据来发现难以检测的错误。本文介绍了如何在CLion中使用CI Fuzz工具进行模糊测试，分析结果并调试函数，揭示传统测试方法无法发现的漏洞，助力高质量软件开发。

JetBrains重视Kotlin编译器的质量，采用模糊测试来发现传统测试可能遗漏的错误。通过与TU Delft合作，JetBrains在Kotlin编译器中实施模糊测试，成功发现并修复了多个错误，包括新K2编译器中的问题。这种方法结合了生成性和变异性模糊测试，提高了错误发现的效率。

现代CPU在字节码解释器中的间接跳转预测表现优异，尤其是使用ITTAGE分支预测器。该预测器通过历史数据映射预测分支行为，并动态选择历史长度以提高准确性。TAGE和ITTAGE的设计展示了动态选择历史长度的潜力，可能对覆盖引导模糊测试等领域具有启发意义。

模糊测试（fuzzing）通过自动生成随机或无效输入来发现软件中的错误和漏洞。JetBrains Research的kotlinx.fuzz项目为Kotlin库提供高效的模糊测试框架，尽管在其他语言中已广泛应用，但在Kotlin中仍不普及。该项目展示了kotlinx.fuzz的使用示例，并计划进一步改善用户体验和功能。

CNCF通过安全审计和模糊测试提升项目安全性。2024年，CNCF持续集成OSS-Fuzz，发现并修复多个安全漏洞，增强整体安全性。

OpenTelemetry完成了Collector的模糊测试审计，以确保其安全性和可靠性。模糊测试通过大量伪随机输入检测API行为，Ada Logics团队为Collector编写了49个模糊测试，测试结果良好，审计工作仍在持续进行中。

Keycloak完成了由英国Ada Logics进行的模糊测试审计，获得CNCF资助。审计将Keycloak集成到Google的OSS-Fuzz项目中，持续测试其代码。审计团队编写了24个新测试，发现并修复了低严重性崩溃问题。