本文是一项关于多驱动模糊测试（multi-driver fuzzing）的实证研究。许多软件通过命令行选项、子命令和配置标志暴露多种执行模式。对于这类程序，模糊测试同时依赖于变异的输入和所调用的模式，但现有评估主要关注覆盖率和 bug 数量，尚未清楚执行模式如何划分、重叠和遗漏软件结构，以及这些差异如何影响模糊测试的有效性。为此，作者提出了一种结构抽象方法：以静态调用图作为共享骨干，将驱动特定的动态覆盖率投影到骨干上，从而派生出驱动诱导子图。基于该抽象，他们开发了四阶段方法论：骨干构建、模糊测试与剖析、基于图的分析、以及由研究问题驱动的评估。作者将该方法应用于从 OSS-Fuzz 派生的 27 个 C/C++ 项目，涵盖 43 个可执行文件和 854 个驱动配置。实验结果表明，在相同的总预算下，多驱动模糊测试优于最佳单驱动基线：覆盖的调用图节点增加了 27.9%，CFG 边覆盖增加了 73.5%，并发现了 11 个主要由单驱动模糊测试遗漏的独特 bug 和异常行为。然而，驱动贡献并不均匀：子图在凝聚力、碎片化、模块性、重叠等方面差异显著，残余的未探索区域遵循重复出现的模式而非均匀尾部。这些结果说明，多驱动模糊测试从根本上是一个结构探索问题。该研究为理解多驱动模糊测试的结构特性提供了深入见解，并为优化驱动配置和模糊测试策略提供了指导。

本文针对二进制函数嵌入模型（binary function embedding models）中引入调用图（call graph）上下文信息所带来的影响展开系统剖析。此类模型通过将二进制代码片段映射为向量表示，服务于代码搜索、漏洞检测、恶意软件分类等逆向工程任务。现有方法大多仅以函数本身为输入，忽略了函数间的调用关系；部分工作尝试通过图结构信息增强嵌入，但对其效果缺乏深入评估。 作者以两个当前最优的二进制函数嵌入模型为基础，利用多种基于图的模型（如GNN）将过程间上下文融合进函数嵌入，并在多个基准上对比了有无上下文时的表现。实验结果显示：(1) 调用图增强确实能提升二进制代码相似性检测（BCSD）的精度，但这种提升并不能自动转化为下游语义或句法任务的增益；(2) 模型在语义相似性任务上优化时，往往会导致句法任务性能的下降，表明二者存在权衡；(3) 通过数据集的解释性分析，作者发现调用图上下文显著增强了嵌入的稳定性，尤其在原始模型表现不佳的困难场景下，鲁棒性提升尤为明显；(4) 上下文信息对命名空间相关函数（如库函数）的嵌入帮助更大，而对逻辑独立型函数的贡献有限，表明调用图的价值高度依赖于使用场景。 该研究首次系统性地解构了调用图增强在二进制函数嵌入中的局限性与适用条件，为后续设计更有效的上下文感知嵌入式模型提供了实证依据和方向指引。