Symbolic Exectuion with Mixed Concrete-Symbolic Solving
（掺杂了具体符号求解的符号执行）
概述：
这篇文章分析了传统的静态符号执行的局限性（也就是决策过程或约束求解器不完善，以及不能处理外部库调用），并将其与基于DART（Directed Automatic Random Testing）的动态符号执行方法进行了一系列的比较。在此之上，提出了一种方法，来克服传统静态符号执行的局限，同时保留可以进行回溯处理的优点（避免大量代码的重复执行；支持增量式约束求解）。
这种方法的核心思想是：
1）将生成的PC中的路径约束分为SimplePC和ComplexPC两种。所谓SimplePc就是可以被约束求解器或者决策过程直接求解的，而ComplexPc则表示不能被约束求解器处理的路径约束，比如非线性的整数运算（如开方、幂运算），内部以及外部函数调用等。
2）先求解SimplePc，并用求得的解对ComplexPc进行具体化，然后一块构成新的PC，再进行约束求解。
可能存在这种情况，路径本来是可达的，但是无法求得有效解，也就是会认为不可达。这种情况的原因是，我们是利用对SimplePC求解的值来具体化简化ComplexPC，而正是因为SimplePC求解值的不恰当，导致整个PC无法求解。为了保证这种方法的有效性，文中还提出了两种启发式思想，即
1)Incremental Solving Heuristic
即对SimplePC多次求解（增量式指SimplePC元素个数越来越多，因为它要将上次 SimplePC求解结果取反，再并入到SimplePC中），这样就可以获得多个值，并依次用 这些值来简化ComplexPC，并对生成的多个新的PC进行约束求解。
2)Partitioning Heuristic
这种思想是，将Uninterpreted functions（属于ComplexPC）的参数的域在有趣的点进行 划分，从而得到一个额外的约束列表，然后依次将约束列表中的每个约束，连同原来的 PC一块，组成新的PC，再进一步的求解。
存在的问题以及将来的工作：
1.因为传统的静态符号执行，路径的搜索和生成是利用了模型检测器，而JPF支持路径的随机搜索，那么如果使用随机搜索，同时使用随机求解（即当SimplePC中不包含ComplexPC中变量的约束时，就为不受约束的变量赋予一个随机值），是否就能享有DART的所有优点，同时保留传统符号执行原有的优点？无法理论证明，需通过大量实验验证。
2.开发新的启发式思想。比如有些求解器（如Choco）对SimplePC的求解结果可能是一个区间范围，这就需要使用随机抽样技术，来具体化简化ComplexPC。
3.这些新的启发式思想，可能在实际使用时花销很大。这需要进行实验证实，并对算法进行微妙的调整。
4.上述提出的方法，仅对于那些Pure（无副作用）的外部 methods，或者有副作用，但副作用对于分析无影响的methods有效。