模糊测试技术（fuzzing）由于自动化程度高,测试速度快的优点,已经被证明是最有效的漏洞检测技术之一。然而模糊测试的测试用例生成方式过于盲目和随机,导致其浪费大量时间用于无效测试。以覆盖率为导向的灰盒模糊测试是一种白盒模糊测试与黑盒模糊测试相结合的漏洞检测技术,它通过在程序中轻量级插桩获取程序运行时的关键信息,同时利用这部分关键信息引导测试用例生成,以探索程序的新路径。AFL（American Fuzzy Lop）是目前最优秀的覆盖率导向式灰盒模糊测试工具之一,也是模糊测试领域的研究重点。AFL的优势明显但依然存在一些缺陷。首先,AFL的变异策略将种子文件的所有字节区域视为等价,这使得AFL浪费太多时间在无效区域的变异上;其次,对于某些较大的种子文件,AFL将陷入挂起状态,这将导致开销急剧增加。针对以上问题,本文的工作如下:（1）提出了一种变异策略优化方法。该方法利用程序的局部性原理对AFL的变异策略进行优化,通过对每个种子文件设置动态偏移量,选择性的对偏移量附近的字节和头部字节进行变异,从而提高模糊测试的路径覆盖率和效率。（2）提出了一种调度策略优化方法。针对某些较大的种子文件,本文通过设置新增路径阈值和时间阈值,当变异不足以产生足够多的路径或者耗费太多时间时,立即跳过当前变异阶段,防止测试进入挂起状态。（3）本文在AFL的基础上利用上述方法实现了覆盖率导向式灰盒模糊测试工具AFLEdge,并以AFL和AFLFast作为基准线,选取四个真实程序和一个公开测试集进行对比实验,分析比较三者的路径覆盖率和漏洞检测能力。实验表明,AFLEdge在24小时内的路径覆盖总数相较于AFL和AFLFast分别提升了92.4%和49.3%;在漏洞检测方面,AFLEdge在24小时内发现的漏洞数比AFL提升了75.0%,基本与AFLFast持平,证明了本文提出的优化方法的有效性。