本文（arXiv 论文，题目为《StepStone: LLM-Based GPU Kernel Driver Fuzzing via User-Space Libraries》）提出了一种基于大语言模型（LLM）的 GPU 内核驱动模糊测试方法。研究背景：随着 GPU 在计算和 AI 领域的广泛应用，其内核驱动暴露面增大，安全问题不容忽视。然而，GPU 内核驱动与用户态库交互频繁，传统模糊测试难以生成既满足驱动接口语义又能跨边界触达内核漏洞的输入。核心方法：作者提出了 StepStone 框架，利用用户态库中的丰富语义信息（如 API 调用序列、对象生命周期、上下文依赖等）作为推理基础，引导 LLM 构造更有效的测试用例，进而驱动内核侧的执行路径。主要贡献可能包括：设计了一种将外部库知识转化为 LLM 可理解中间表示的方法；提出了针对内核驱动模糊测试的反馈循环或覆盖引导机制；在真实 GPU 驱动（如 AMD/GPU 或 ARM Mali 等）上验证了该方法的有效性，但具体实验数据在本摘要中无法获得。适合阅读对象：从事内核安全、漏洞挖掘、模糊测试研究的安全工程师以及 GPU 驱动开发者。需要说明：由于本次输入未提供完整摘要，上述内容为基于标题的合理推断，正式结论请参考论文全文。