模糊测试是漏洞挖掘中最为常用的方法之一,具有可用性好、误报率低和无源码依赖等优点,然而在当下,软件系统规模不断增长,复杂性不断增强,传统的模糊测试方法已显现出不足,存在生成样本合法性弱、样本变异盲目和依赖人工参与等问题。近年来,被广泛应用于自然语言处理、计算机视觉的深度学习技术,由于其自动学习数据特征和规律的特性,也被逐渐探索应用于网络安全领域,为解决传统方法的瓶颈问题提供了新思路。基于以上背景,本文提出一种基于深度学习和代码覆盖引导的模糊测试技术,该技术由三个子技术组成。首先,通过基于深度学习的样本有效变异位置学习技术对样本字节进行变异有效性评估,并优先选取更能触发新基本块的位置进行变异,该过程能够减少无效变异的次数。然后,通过基于深度学习的样本生成技术,并结合改进后的采样算法,生成完整的测试样本,使用该技术生成的测试样本不但能够满足一定语法格式,还具有能够达到较大代码覆盖率的多样性和能够执行到错误处理代码的变异性。最后,将通过基于源码插桩的覆盖反馈信息获取技术得到测试样本的基本块覆盖信息,并选择触发了新基本块的样本作为优质种子用于后续测试,从而使模糊测试朝着覆盖率不断提升的方向进行。该模糊测试技术能够有效解决传统基于随机变异的模糊测试方法变异位置选取盲目、生成样本冗余的问题,并且能使整个样本生成过程自动化。为了验证本文技术的有效性和优越性,本文按照技术方案实现了完整的模糊测试系统,并对其进行了充分的测试实验。实验结果表明,相比传统的模糊测试方法以及使用深度学习进行模糊测试样本生成的Learn&Fuzz方法,该模糊测试系统更加高效且智能,能够达到较高的代码覆盖率,并挖掘出目标程序的潜在漏洞。