1、论文介绍
https://dl.acm.org/doi/10.1145/3293882.3330579
2、摘要
本文提出DeepHunter(自动的模糊测试框架),它通过变异产生新的保留语义的测试集,利用多种覆盖标准作为反馈,从多角度指导测试的生成。为了可扩展到实际大小的DNNs,DeepHunter在一批种维护多种测试,并依据反馈进行优先选择。通过实验证明DeepHunter可以完成如下:
- 在指导下可大幅增加覆盖
- 产生可以检测出模型错误行为的测试
- 准确地捕获DNN量化过程潜在的缺点,实现平台迁移
3、前提知识
模糊法在产生有效的测试数据中比较流行的方法。模糊器分为黑盒,白盒和灰盒。其中比较成功的是CGF(基于覆盖的灰盒模糊)。
一个经典的CGF执行如下循环:
- 从种子池中选择种子
- 用变异策略(例按位或字节翻转,块替换,交叉)变异种子
- 用新产生的输入输入到目标模型中,记录已经检测了的路径
- 记录发现模型错误的种子,将覆盖了新路径的种子加入到种子池
CGF中关键的两个部件:变异器和覆盖反馈
3、论文工作
DeepHunter简介
如下图