KQFuzz：通过 大语言模型 进行量子库的知识引导模糊测试

随着量子计算的不断改进，确保量子库的可靠性和正确性变得越来越重要。为此，人们提出了许多基于 LLM 的量子库模糊测试方法来发现潜在的错误。然而，这些方法仍然存在灵活性不足、效率低等局限性，阻碍了量子计算领域的进步。为了应对这些挑战，我们提出了 KQFuzz，一种用于量子库的新型知识引导模糊器。它利用全面的代码库知识来生成基于 LLM 的测试，并将其与适应性引导评估和两级突变相结合，以探索复杂的执行路径并触发潜在的错误。首先，KQFuzz 引入了一种针对量子程序量身定制的新颖提示方案，该方案策略性地结合代码库知识，以高效生成高质量的量子种子程序。此外，我们开发了评估和变异策略来处理生成的种子程序，促进有效的模糊测试执行，同时进一步丰富所得测试用例的多样性。我们实现了 KQFuzz，并对三个流行的量子库（包括 Qiskit、PennyLane 和 Cirq）进行模糊测试。实验结果表明，我们的方法明显优于其他最先进的方法，覆盖率提高了高达 18.44%。在KQFuzz的开发过程中，我们发现了13个Bug，目前已全部确认，其中12个已经被开发者修复。