互联网生态的飞速发展催生了大量的软件产品,与此同时,软件的安全性问题也日益凸显,软件漏洞成为威胁网络空间安全的根本原因。模糊测试（Fuzzing）技术作为一种广泛应用的自动化软件安全漏洞挖掘技术,对保证程序健壮性和维护网络空间安全具有重要的现实意义。传统的模糊测试是基于覆盖引导的,通过盲目地扩展代码覆盖率来测试软件是低效的。定向模糊测试旨在快速生产测试用例,到达指定的程序目标位置区域并发现程序错误。尽管以AFLGo为代表的定向灰盒模糊测试工具在补丁测试、Crash复现、特殊bug搜索等方面都取得了巨大的成功,但在测试效率方面仍存在巨大挑战,主要表现为:（1）功率调度的不灵活;（2）突变策略的随机盲目性。因此,本文从以上两个角度出发来着力提高定向灰盒模糊测试的整体效率,主要工作如下:（1）本文提出了一种基于动态策略的功率调度优化方法,将模糊器在运行时阶段的分裂映射到种子的划分上,通过调整定向种子的数量来动态协调探索阶段与利用阶段,在阶段能量的基础上,结合模糊测试过程中反馈的覆盖率等信息合理地进行种子能量分配,确保优势种子以及潜力种子都能最大程度地发挥其作用。该方法可以使模糊器在测试期间获得最佳的自适应性能,从而提高了模糊器的定向性能和测试效率,并且不会陷入由探索与利用不平衡导致的局部困境。（2）本文提出一种基于神经网络模型的种子变异优化策略。通过学习过去模糊测试的输入中不同位置的变异模式,生成模型来预测当前种子能够产生输入增益的位置,引导模糊器集中对此部分内容进行突变,以最大限度地减少花费在生成不期望的输入上的资源,增加模糊器覆盖新代码路径和更接近目标位置的机会。实验表明,该方法可以显著提高突变生成的输入质量,用更少但是更有意义的输入覆盖更多的程序路径,也大大提高了模糊器的漏洞挖掘能力。