利用约束引导的图细化生成高度结构测试输入
软件工程
2025-07-30 v1
摘要
[背景] 当前人工智能应用日益处理高度结构化的数据，如 3D 网格和点云，其中测试输入生成必须保持结构和语义的有效性。然而，现有的模糊测试工具和输入生成器通常针对特定输入类型进行手工设计，常常生成无效的输入，随后被丢弃，导致效率低下和泛化性差。[目标] 本研究探讨了是否可以通过图基表示统一结构域的测试输入，以实现通用、可重用的突变策略，同时强制执行结构约束。我们将在八个人工智能系统中评估这种方法在增强输入有效性和语义保持方面的效果。[方法] 我们开发并评估了 GRAphRef，一个支持约束驱动的图基测试输入生成框架。GRAphRef 将结构化输入映射到图上，应用邻近相似性引导的突变，并使用约束细化阶段来修复无效输入。我们将在八个真实世界的网格处理 AI 系统上进行确认性研究，将 GRAphRef 与 AFL、MeshAttack、Saffron 以及两个被剥离变体进行比较。评估指标包括结构有效性、语义保持（通过预测一致性）和性能开销。实验数据来自 ShapeNetCore 网格种子和来自系统如 MeshCNN 和 HodgeNet 的模型输出。将使用统计分析和组件延迟分解来评估每个假设。
引用
@article{arxiv.2507.21271,
title = {Generating Highly Structured Test Inputs Leveraging Constraint-Guided Graph Refinement},
author = {Zhaorui Yang and Yuxin Qiu and Haichao Zhu and Qian Zhang},
journal= {arXiv preprint arXiv:2507.21271},
year = {2025}
}
备注
ICSME 2025 Registered Reports