【论文解读】DeepHunter: Hunting Deep Neural Network Defects via Coverage-Guided Fuzzing

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