本文提出了一种名为 autofz 的自动化元模糊测试框架，旨在解决模糊测试工具选择负担的问题。随着模糊测试技术的发展，出现了大量各具特色的模糊器，它们在不同目标上表现各异，但不存在一个在所有场景下都最优的通用模糊器。传统方法通过标准基准测试集来比较选择，但平均性能最优的模糊器并不一定适合用户的具体目标。为此，autofz 通过运行时动态组合现有模糊器，实现最优的资源调度。其核心思想是监控各模糊器的运行时进度（称为趋势，类似于梯度下降中的梯度），并据此细粒度地调整资源分配。与传统方法不同，autofz 在运行时根据当前工作负载自适应地推导出合适的模糊器组合，无需用户预先选择。实验评估显示，autofz 在 12 个可用基准中的 11 个上优于任何单一最优模糊器，在 20 个基准中的 19 个上优于现有的协作模糊测试方法。平均而言，autofz 比单一模糊器多发现 152% 的漏洞，比协作模糊测试多发现 415% 的漏洞。该方法为非侵入式设计，用户只需将所有可用模糊器提供给 autofz，即可获得接近最优的结果。本文的主要贡献在于提出了一种自动化、非侵入的元模糊器架构，通过动态趋势监控实现资源调度的细粒度优化，显著提升了漏洞发现的效率和效果。