面向深度学习编译器的有效随机测试生成
软件工程
2024-12-30 v3
摘要
深度学习编译器有助于解决在多样化硬件上部署深度学习模型的困难。测试深度学习编译器极为关键，因为它们影响着无数使用其进行模型优化与部署的 AI 应用。为测试深度学习编译器，广泛用于编译器测试实践的随机测试方法面临着生成语义有效测试输入的挑战，即满足语义模型规范（简称语义规范）的深度学习模型。为应对该挑战，本文提出一种名为 Isra 的新方法，包含一个无需回溯即可求解语义规范所产生约束的领域特定约束求解器。我们实现并将该方法应用于三个流行的现实世界深度学习编译器，包括 TVM、Glow 以及名为 SophGo 的商业编译器。评估结果表明，在构建用于编译器缺陷检测的合法测试输入方面，Isra 比最先进方法与基线方法更有效，且 Isra 成功在三个编译器的发布版本中发现了 24 个先前未知的缺陷。这些结果表明了 Isra 的有效性与实用价值。
引用
@article{arxiv.2302.00842,
title = {Effective Random Test Generation for Deep Learning Compilers},
author = {Luyao Ren and ZiHeng Wang and Yingfei Xiong and Li Zhang and Guoyue Jiang and Tao Xie},
journal= {arXiv preprint arXiv:2302.00842},
year = {2024}
}