符号执行是一种强大的测试生成技术，能够自动探索程序路径并发现漏洞。然而，其可扩展性受限于路径爆炸问题：随着执行深入，需要探索的符号状态数量急剧增加，导致计算资源耗尽。现有符号执行引擎通常依赖手工设计的启发式策略（如随机选择、最近未覆盖分支优先等）来选择下一个要探索的符号状态，但这些策略往往不够高效，难以适应不同程序的结构。本文提出了一种基于学习的方法来自动优化路径探索策略。具体而言，作者将路径选择建模为序列决策问题，利用强化学习或监督学习（摘要未明确，但通常为学习算法）训练一个模型，根据当前程序状态和已探索路径的历史，预测最有希望到达目标分支的符号状态。该方法能够动态调整探索优先级，从而更有效地覆盖关键代码区域。实验在标准基准集（如Coreutils）上进行，结果表明，与传统的启发式策略（如DFS、随机）相比，该方法在相同时间内能覆盖更多的分支，并生成更高的代码覆盖率。此外，该方法还减少了探索过程中内存和时间的消耗。主要贡献包括：1) 形式化了符号执行中的路径选择问题为一个可学习任务；2) 提出了一种基于学习的探索算法；3) 在多个真实程序上验证了其有效性。本文适合安全研究人员和软件测试工程师阅读，有助于理解如何将机器学习与经典符号执行结合以提升自动化漏洞发现效率。