本文针对基于突变的模糊测试（fuzzing）中字节重要性量化不足的问题展开研究。现有方法通常关注输入字节与路径约束的关系，但忽略了并非所有与约束相关的字节都能发现新代码。作者通过Shapley值分析发现，不同字节位置对模糊测试性能的贡献存在差异，且这种差异在不同种子间具有一致性。基于这一观察，提出ShapFuzz，一种通过Shapley值指导字节选择和突变的模糊测试方案。具体地，ShapFuzz在每次输入测试时以低开销更新字节的Shapley值，并利用上下文多臂老虎机（Contextual Multi-Armed Bandit）在突变高Shapley值字节和低频率被选中的字节之间进行权衡。基于AFL++实现原型，并与10个最先进的模糊测试器（包括5个字节调度增强型模糊测试器和5个常用模糊测试器）进行对比。实验结果表明：与字节调度增强型模糊测试器相比，ShapFuzz在三组不同初始种子集上发现了更多的新边（edges）和暴露了更多的漏洞；与常用模糊测试器相比，ShapFuzz在MAGMA基准上比最佳对比模糊测试器多暴露20个漏洞，并发现6个额外的CVE。此外，在最新版本的程序中发现了11个新漏洞，其中3个已得到供应商确认。该研究为模糊测试中的字节重要性量化提供了新视角，有效提升了模糊测试的代码覆盖和漏洞发现能力。