一.局限：
现有方法将到目标的距离衡量输入与目标代码的远近，存在大量无效变异，不一定能到目标分支。
二.创新点：
建立了一个新导航，它不再只是告诉距离目标的距离多少，而是一个智能导航
1.准备阶段：分支编码提供"地图"，明确当前位置和下一步方向：
dom_bbs[i] ：由静态分析获取 target_dominance_analysis()
output_vector = [0, 0, 0, 0, 0]
output_vector = [1, 1, 0.625, 0, 0] A类
用二进制记录你走了哪条岔路：比如走了第1条和第3条 → 二进制101 → 转成0~1之间的小数（5/8=0.625）
2.准备数据集：收集历史模糊测试输入，识别哪些操作能靠近目标， 自适应数据集让探测更灵敏，只关注有效信号：
·模糊测试会生成海量输入，但大部分是"无效经验"（比如总是卡在在第一个）。
·精选数据：只保留接近目标的输入（覆盖较多dom-BBs的输入），剔除重复路径的输入（100条都卡在同一个块的记录，选1条代表性的）。
·最终得到一个小而精的数据集（约1000条记录），避免模型学坏。
3.梯度过滤与聚类精准定位关键字段，避免无效挖掘：
通过将输入输入训练好的模型得到输出，我们可以得到下面的雅各比矩阵，每个梯度代表第 n个输入字节对第 m 个分支编码dom-BB覆盖状态的影响程度，越大影响越大。
1）计算输入字节对某个覆盖状态的"敏感度"-梯度
2）梯度过滤：避免误判敏感字节
对比不同梯度向量，只保留那些在当前分支敏感度高，但在其他分支敏感度低"的字节
3）单个字节不够，多个字节共同作用
把位置相邻、敏感度都很高的字节聚成"关键区域"
三.建模：
|-------------|-------------|-----------------------|
| 静态分析 | 看懂程序结构 | 编译 Pass、生成 .bc、画调用图 |
| 路径建模 | 找出通往目标的必经之路 | 提取支配函数、生成支配图 |
| 动态 fuzz | 不断尝试输入 | 启动 AFL，收集覆盖率 |
| 智能引导 | 让 fuzz 更聪明 | 神经网络实时反馈，指导变异 |