该论文提出 PDFuzzer，一种面向 PDF 阅读器中 JavaScript 引擎的新型模糊测试工具。现有 PDF 模糊测试器（如 TypeOracle、Favocado、Cooper）主要依赖简单测试用例，仅涉及单个 API 调用，导致代码覆盖率有限，容易遗漏需要多个 API 调用按特定顺序组合才能触发的漏洞。PDFuzzer 的核心思路是利用大语言模型（LLM）从 JavaScript API 手册与执行轨迹中提取规范，自动构建上下文无关文法并推断 API 调用之间的关系，再借助约束求解器生成具体且语义正确的 API 调用序列，从而驱动模糊测试。实验在 Adobe Acrobat Reader、Foxit PDF Reader 和 PDF-XChange Editor 三款主流 PDF 阅读器上进行，与现有最先进的 PDF 模糊器和基于 LLM 的模糊器（Fuzz4All、naive LLM）对比，覆盖率最高提升 48%，并发现 31 个零日漏洞，影响从信息泄露到任意代码执行。消融实验验证了各组件（尤其 LLM）的必要性，LLM 在流水线各阶段的准确率达到 93-98%。所有漏洞均已通过协调披露流程上报厂商并获致谢赏金。该研究证明 LLM 能够自动理解复杂 API 规范并指导模糊测试，显著提升对真实世界 PDF 引擎的漏洞发现效率，为后续智能模糊测试研究提供了新思路。