最坏情况分析即最大后验估计
人工智能
2023-10-17 v1
摘要
程序的最坏情况资源使用可为诸多软件工程任务（如性能优化与算法复杂度漏洞发现）提供有用信息。本文提出一个通用、自适应且可靠的模糊测试框架 DSE-SMC，用于估计最坏情况资源使用。DSE-SMC 之所以通用，是因为只要用户提供用于获取给定输入上资源使用信息的接口，它即为黑盒；之所以自适应，是因为它自动平衡候选输入的探索与利用；之所以可靠，是因为它保证收敛到被分析程序的真实资源使用分布。DSE-SMC 建立在一个关键观察之上：程序中的资源累积同构于贝叶斯概率编程中的软条件化机制；因此，最坏情况资源分析同构于贝叶斯统计的最大后验估计问题。DSE-SMC 以可靠的方式将序列蒙特卡洛（SMC，一种贝叶斯推断的通用框架）与自适应进化模糊测试算法相结合，即 DSE-SMC 渐近收敛到由被分析程序资源使用行为诱导的后验分布。在 Java 应用上的实验评估表明，DSE-SMC 比现有用于最坏情况分析的黑盒模糊测试方法显著更有效。
引用
@article{arxiv.2310.09774,
title = {Worst-Case Analysis is Maximum-A-Posteriori Estimation},
author = {Hongjun Wu and Di Wang},
journal= {arXiv preprint arXiv:2310.09774},
year = {2023}
}