DeepSmartFuzzer：用于深度学习的奖励引导测试生成
机器学习
2019-11-26 v1 计算机视觉与模式识别
机器学习
摘要
随着深度神经网络（DNN）模型在自动驾驶等安全关键领域的使用日益增多，测试 DNN 模型变得比以往任何时候都更为重要。测试 DNN 的传统方法是创建一个测试集，即关于所关注问题数据集的随机子集。这类方法不足以测试大多数现实场景，因为这些传统测试集不包含corner case（极端情况），而 corner case 输入通常被认为会引发错误行为。近期在对抗性输入生成、数据增强和覆盖引导模糊测试（CGF）方面的工作为扩展传统测试集提供了新途径。其中，CGF 旨在通过模糊化现有输入来生成新测试输入，以在测试充分性准则（即覆盖准则）上实现高覆盖。鉴于所考察的测试充分性准则是成熟的，CGF 有可能因不同潜在原因发现引发错误的输入。本文中，我们提出一种用于 DNN 结构测试的新颖 CGF 方案。所提出的模糊器采用蒙特卡洛树搜索来驱动覆盖引导搜索以追求高覆盖。我们的评估表明，由我们的方法生成的输入比先前引入的覆盖引导模糊技术所产生的输入实现了更高的覆盖。
引用
@article{arxiv.1911.10621,
title = {DeepSmartFuzzer: Reward Guided Test Generation For Deep Learning},
author = {Samet Demir and Hasan Ferit Eniser and Alper Sen},
journal= {arXiv preprint arXiv:1911.10621},
year = {2019}
}