随着物联网（IoT）设备的广泛部署，固件安全已成为现代软件安全的重要议题。其中，第三方软件组件的频繁复用是引入已知漏洞的主要途径，然而固件镜像是否实际暴露这些漏洞仍难以判断，尤其是公开的PoC利用代码使得该问题更加紧迫。定向灰盒模糊测试（DGF）能够针对特定二进制位置进行定向探索，是检测此类漏洞的有效方法，但现有DGF技术仅能在函数粒度上处理固件，无法精确定位到易受攻击的基本块。本文提出了BULLSEYE，这是首个面向闭源Linux固件、以基本块级距离调度模糊测试的DGF框架。其核心方法结合静态与动态分析，在资源受限的固件环境中实现DGF，专注于复用第三方组件中的漏洞。作者引入了新颖的DGF启发式策略，弥补了传统方法的局限。实验部分，作者将BULLSEYE与四个共享其执行后端的灰盒模糊测试基线（包括AFLGO和WINDRANGER的重实现）以及先进的固件重托管框架GREENHOUSE进行了对比。在32个固件镜像的40个漏洞点上，BULLSEYE均在预算内成功复现所有目标，而四个基线中最强者仅复现35个；与这些基线相比，平均曝光时间（Time-to-Exposure）几何均值降低了9.5倍至72.5倍。在与GREENHOUSE的对比中，在其管道支持的18个目标上，BULLSEYE的平均速度提升为9.8倍（几何均值）。这项工作填补了定向模糊测试在固件领域基本块级粒度的空白，为固件安全分析提供了更精准高效的自动化工具。适合固件安全研究人员、漏洞挖掘工程师以及物联网安全评估人员阅读。

本文系统研究了固件模糊测试中的输入传递问题。现有固件模糊测试工具通常直接沿用通用软件的模糊测试方法，但固件输入具有异步、不确定时机和数量的特点，导致现有方法要么过量传递输入（stuffing）使处理函数过载，要么传递不足（starving）无法触发输入处理函数，严重削弱了模糊测试能力。作者提出FIDO（Firmware Input Delivery Optimizer），通过静态和动态分析，将每个输入处理路径映射为三个阶段：输入检索、可用性检查和实际处理。FIDO利用恢复的语义信息，在可用性检查点准确传递期望长度范围内的测试用例，并针对多条输入路径优化调度算法以探索更多路径。FIDO作为插件可嵌入现有固件模糊测试工具。实验表明，相比Fuzzware和MULTIFUZZ的非自适应方法，FIDO将中位数代码覆盖率分别提升最高115%和54%；相比需人工指定输入点的SEmu，覆盖率仍提升最高19%。FIDO能显著加快已知漏洞的发现速度，并已识别出5个之前未知的漏洞。