本文提出了一种名为DAFL的定向灰盒模糊测试方法，旨在通过数据依赖关系引导模糊测试过程，提高对特定目标代码区域的覆盖率和漏洞发现效率。传统的灰盒模糊测试通常依靠覆盖率反馈来探索程序，但在定向场景下（如针对特定补丁或关键函数），随机探索效率低下。DAFL利用静态分析构建程序的数据依赖图，并设计了一种新的种子优先级策略，优先选择能够更快触发目标位置依赖链的输入。同时，DAFL结合了符号执行和约束求解技术，以生成能够满足依赖条件的测试用例。实验在多个真实世界程序上进行了评估，包括libpng、libjpeg等，结果表明DAFL在到达指定目标代码位置和发现相关漏洞方面，相比现有定向模糊测试工具（如AFLGo、Hawkeye）具有显著优势，平均加速比达到2-3倍。此外，DAFL还成功发现了多个未知漏洞，证明了其实际有效性。本文的主要贡献包括：首次将数据依赖分析系统性地融入定向模糊测试的种子调度和变异过程；提出了轻量级的依赖图构建方法，避免了过度开销；并开源了实现代码，便于社区复现和扩展。