模糊测试是一种广泛应用于工业界的自动化软件测试技术，其中基于变异的模糊测试在实践中发现了大量错误。尽管学术界多年来一直在研究基于变异的模糊测试，但模糊器中算法的交互非常复杂，加上每个模糊器实例中的随机性，可能导致不可预测的效果。大多数改进这种脆弱交互的努力都集中在优化种子调度上，然而像Google的FuzzBench这样的实际结果表明，这些方法在实践中并未持续带来改进。另一种算法上改进模糊测试过程的方法是优化变异调度。不幸的是，现有的变异调度方法也未能令人信服，因为它们缺乏实际改进，或者需要过多用户可控参数，这些参数的配置需要目标程序的专家知识。这留下了如何巧妙地处理测试用例并实现可测量改进这一具有挑战性的问题。本文提出了DARWIN，一种新颖的变异调度器，它是首个在现实场景中展示模糊测试改进且无需引入额外用户可配置参数的方法，从而将这种方法开放给了广泛的模糊测试社区。DARWIN使用进化策略系统地优化和调整模糊测试过程中变异操作符的概率分布。作者基于流行的通用模糊测试器AFL实现了原型。DARWIN在自主覆盖实验、FuzzBench以及MAGMA基准测试中均显著优于最先进的变异调度器和AFL基线，在MAGMA中以最快速度找到了21个bug中的15个。最后，DARWIN在广泛使用的真实世界应用程序中发现了20个独特的bug（包括一个新bug），比AFL多出66%。