模糊测试技术是一种被广泛应用的软件测试技术,在程序缺陷挖掘等方面展现出了良好的能力。不过,模糊测试技术对程序状态空间的探索过程存在盲目性、随机性的问题,在缺陷无关的路径上会耗费大量的计算资源和时间。尽管定向模糊测试技术能够关注于程序中的一组特定目标(通常是目标语句),引导模糊测试过程有针对性地朝向目标所在的代码区域进行探索,大大缩减了搜索空间,但是目前定向模糊测试工作存在不够高效的问题。另外,基于符号执行技术的白盒定向模糊测试技术在运行时频繁进行重量级的程序分析和约束求解,因而运行时效率不高。而基于灰盒模糊测试的定向模糊测试工具,如AFLGo等,将大部分的程序解析和计算过程转移到插桩期以换取运行时的高效,但插桩期大量的计算导致整体性能下降。本文创新性地提出了一种序列覆盖率引导的灰盒定向模糊测试技术(Sequence-coverage Directed Grey-box Fuzzing,简称SDF技术)。给定一组目标语句序列,SDF技术尝试生成测试用例,使其按序执行一个序列中的各个目标语句。此外,本文还提出了一个新的序列覆盖率引导的种子能量调度算法,根据种子输入的执行路径对目标序列的覆盖能力,即序列覆盖率,调整该种子生成新测试用例的数目,引导定向模糊测试过程以便生成序列覆盖率更高的测试用例。本文将SDF技术与静态分析技术相结合,构建了缺陷检测系统Lolly。该系统用静态分析的结果引导定向模糊测试过程,支持静态分析组件和定向模糊测试组件的集成和单独使用。本文在通用测试基准和典型应用软件上对Lolly系统整体、静态分析组件以及定向模糊测试组件分别进行了性能评估,并分别与已有的优秀工具AFLGo、Clang静态分析器、BugRedux等进行了对比,实验结果表明Lolly能够更有效且高效地发现被测程序中的缺陷,适用于缺陷检测、崩溃复现等多种应用场景。