Cet article présente une nouvelle méthode d'évaluation de l'efficacité d'une architecture de modèle de langage à grande échelle (LLM) basé sur des agents et basée sur RAG pour la génération et l'augmentation de graines de paquets réseau. Utilisant la technique d'incitation par chaîne de pensée (COT), la méthode proposée se concentre sur l'amélioration de la qualité structurelle des graines afin de guider le cadre de fuzzing du protocole pour explorer en profondeur l'espace d'état du protocole. La méthode référence dynamiquement la base de connaissances du document RFC (Request for Comments) pour répondre aux questions sur la machine à états finis (FSM) du protocole en utilisant RAG et l'intégration de texte, puis déduit itérativement les connaissances récupérées pour améliorer la sortie et placer les graines de manière appropriée. Les paquets générés sont ensuite comparés aux paquets réels afin d'évaluer la qualité structurelle de la réponse de la sortie de l'agent en fonction de métriques telles que BLEU, ROUGE et le taux d'erreur de mot (WER). Les résultats expérimentaux montrent que la méthode proposée améliore le BLEU jusqu'à 18,19 %, le ROUGE jusqu'à 14,81 % et le WER jusqu'à 23,45 % par rapport au modèle de référence. Ces résultats confirment le potentiel de cette approche pour améliorer les cadres de fuzzing de protocoles basés sur LLM afin d'identifier les vulnérabilités cachées.
