摘要
在过去的几十年中，模糊在改进软件开发和测试方面发挥了重要作用。最近对模糊化的研究集中在机器学习（ML）的应用上，为克服模糊化过程中的挑战提供了有用的工具。本文综述了最大似然法在模糊化中的应用研究现状。具体来说，本综述讨论了ML在模糊化中的成功应用，简要探讨了遇到的挑战，并推动了未来解决模糊化瓶颈的研究。
内容
在本次调查中，我们重点关注三种主要的ML类型，每种类型都适用于不同类型的任务。监督学习用于训练模型以识别给定数据点的类标签，例如图像是否包含特定对象。这种类型的ML需要数据集，其中每个数据点都有一个明确的标签。无监督学习用于训练模型，以发现数据点之间的模式或相似性，而不是标记类。当数据没有显式标签时，使用这种类型的ML。强化学习用于训练模型（通常称为管理者），以便在环境中采取一组最佳行动。这种类型的ML会奖励代理在环境中执行的每一个操作。与监督学习类似，奖励充当代理的标签，并提供要采取的最佳行动的指示。因此，可以训练代理人采取一系列行动，从而获得最高的回报。这三种类型中的每一种都可以采用一种特殊形式的ML，称为深度学习。深度学习是指一种分层学习，可用于学习一组数据点的基本特征和结构[25]。
Types of Fuzzers：基于突变、基于生成和进化。mutation-based, generation-based, and evolutionary.