该论文聚焦于 JavaScript 引擎的安全测试难题。现代 Web 安全高度依赖 JS 引擎的正确性，而引擎本身结构复杂、长期存在高危缺陷。当前最先进的模糊测试器（fuzzer）面临一个关键瓶颈——覆盖度平台期（coverage plateau）：一旦 fuzzer 把引擎的控制流图基本走遍，基于边覆盖（edge coverage）的反馈就失去了引导能力，难以继续发现更深层的缺陷。根本原因在于，JS 引擎中许多复杂且安全相关的内部行为——例如 JIT 的多级优化分层（optimization tiers）、隐藏类转换（hidden class transitions）等——在边覆盖指标上表现完全相同，因此传统覆盖度指标对'引擎当前处于哪种内部配置/状态'是盲视的，也就无法引导测试用例去触达那些触发深层错误的特定状态。 为弥补这一缺口，作者提出 StateLens 框架，利用大语言模型（LLM）自动发现引擎的深层内部状态。直接在所有状态上布置插桩探针是不可行的：状态空间极其庞大，且运行时开销过高。StateLens 因此设计了一条新颖的、基于智能体（agent）的推理流水线，模拟安全研究者的直觉判断：智能体迭代地遍历源码与开发者注释，从中筛选出高价值的插桩目标，把真正驱动逻辑的状态变量与无关数据区分开来，从而自动合成高信噪比的反馈探针，将引擎隐藏的内部配置映射出来。这些插桩结果进一步馈入一个'双反馈'机制，把 fuzzer 引导向尚未探索的引擎语义空间。评估结果表明，StateLens 显著优于当前最先进的 fuzzer，并额外发现 68 个新缺陷。论文的贡献可归纳为三点：一是明确定位并形式化了覆盖面盲区这一 fuzzing 瓶颈；二是提出 LLM 智能体驱动的状态识别与插桩合成方法；三是通过实测证明其在真实 JS 引擎上发现了大量新 bug，验证了状态感知反馈的有效性。适合模糊测试、程序分析、编译器/JIT 安全及 LLM for security 方向的研究者与工程人员阅读。

该论文针对 JavaScript 引擎模糊测试中的突变质量瓶颈，提出了一种基于图结构中间表示（Graph-based IR）的新方法。当前主流 JS 引擎模糊测试工具通常使用抽象语法树（AST）或定制的字节码级中间语言来表示程序，但这些表示在生成语义有效且富有意义的突变时存在局限，导致难以深入发现引擎内部缺陷。论文的核心贡献在于设计一种图结构 IR，将程序的控制流、数据依赖和类型信息显式建模为图，从而扩展突变空间并指导更智能的突变操作。基于该 IR，作者实现了新的模糊测试框架，能够生成更符合语义约束的测试用例，减少无效输入，提高代码覆盖率和缺陷触发概率。实验在多个主流 JS 引擎（如 V8、JavaScriptCore 等）上验证，结果表明该方法的漏洞发现能力和覆盖率优于现有基于 AST 和自定义 IR 的模糊器。该研究为 JS 引擎安全测试提供了新思路，尤其适用于需要深度类型推理和复杂对象操作的场景。适合浏览器引擎开发者、安全研究员及模糊测试工具设计者阅读。

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。