基于变异的模糊测试对模型学习的补充
软件工程
2016-11-09 v1
摘要
在最小充分教师（Minimally Adequate Teacher）框架下表述的学习算法面临的一个持续挑战是高效获取反例。在本文中，我们比较并结合了一致性测试（conformance testing）和基于变异的模糊测试（mutation-based fuzzing）方法，用于在严谨反应系统检验（Rigorous Exampination of Reactive Systems, RERS）挑战的反应式软件系统有限状态机模型学习过程中获取反例。我们发现，对于该挑战的LTL问题，模糊测试器提供了学习过程成功的独立确认，因为未找到额外的反例。然而，对于该挑战的可达性问题，模糊测试器发现了比学习器和测试器更多的可达错误状态，尽管在某些情况下学习器和测试器发现了一些模糊测试器未发现的错误状态。这使我们认为，在模型学习的背景下，这些正交的方法是互补的。
引用
@article{arxiv.1611.02429,
title = {Complementing Model Learning with Mutation-Based Fuzzing},
author = {Rick Smetsers and Joshua Moerman and Mark Janssen and Sicco Verwer},
journal= {arXiv preprint arXiv:1611.02429},
year = {2016}
}
备注
Submitted to the RERS challenge 2016