Mutation Fuzzing vs Generational Fuzzing 深度解析：成本、覆蓋率與測試策略的關鍵取捨

模糊測試（Fuzzing）是發現軟體漏洞的核心手段。Mutation Fuzzing 與 Generational Fuzzing 是兩種截然不同的資料生成策略，理解其取捨，是設計高效測試流程的第一步。

Mutation Fuzzing：低成本的隨機變異

Mutation Fuzzing 以現有合法樣本為起點，透過位元翻轉、位元組替換、插入或刪除等隨機操作產生測試輸入。其最大優勢是準備成本極低——只需少量種子檔案，工具（如 AFL++、libFuzzer）即可自動驅動大量變體。然而，隨機變異難以跨越複雜的格式驗證邏輯；若目標程式對輸入格式要求嚴格，大多數變異樣本會在解析階段直接被拒絕，導致深層路徑覆蓋率有限。此策略適合格式相對寬鬆、或已有豐富種子語料庫的測試場景。

Generational Fuzzing：高覆蓋率的語法建構

Generational Fuzzing 依據預先定義的語法規則或文法（Grammar），從零開始生成測試資料，確保每筆輸入在結構上合法。這使其能穿透解析層，觸及程式的深層執行路徑，大幅提升語義覆蓋率。代表工具包含 Domato（DOM fuzzer）與 Peach Fuzzer。代價是前置成本極高——需要精確撰寫目標格式的完整語法定義，耗費大量人力。此策略最適合協定解析器、編譯器、瀏覽器引擎等格式嚴謹且語義複雜的測試目標。

💡 重點整理

• 資料來源不同：Mutation 改造現有樣本；Generational 依語法從零生成。
• 成本差異顯著：Mutation 幾乎零準備成本；Generational 需大量語法建模投入。
• 覆蓋深度互補：Mutation 適合淺層廣度；Generational 擅長深層語義路徑。
• 混合策略最優：實務上常以 Mutation 快速探索，再以 Generational 深挖高價值路徑。

選擇策略前，先評估目標格式嚴謹度與可用資源。兩者並非對立，混合部署往往能在成本與覆蓋率之間取得最佳平衡，是現代安全測試流程的主流做法。

📚 參考文獻

1. Takanen, A., Demott, J., Miller, C., & Kamkar, A. — Fuzzing for Software Security Testing and Quality Assurance（Artech House，2018）：系統性介紹 Mutation 與 Generational 兩大 Fuzzing 策略的權威書籍。
2. Google Security Blog — Guided in-process fuzzing of Chrome components：說明 libFuzzer 在大型專案中結合語料庫變異的實戰經驗。
3. OWASP Fuzzing Guide — owasp.org/www-community/Fuzzing：提供 Fuzzing 策略選型的入門與實務建議。

⚠️ 本文內容基於撰寫時的最新資訊，實際應用時請參考官方文件的最新版本。