TensorFuzz: 利用覆盖率引导模糊测试调试神经网络
本篇论文探讨了使用基于覆盖率的测试(CGT)方法对拥挤场景下人体检测中的深度神经网络(DNN)进行改进,并发现了数千种不正确的 DNN 行为,但未能证明探究的覆盖率指标可以用于提高 DNN 的鲁棒性。
Apr, 2022
本文介绍了一种将模糊测试和大型语言模型相结合的新型数据增强技术 **FuzzAug**,用于增强神经测试生成数据集,从而提高代码生成模型的准确性和分支覆盖率,增强自动化软件测试的效用。
Jun, 2024
本文提出了 DLFuzz, 第一个可引导 DL 系统暴露错误行为的差分模糊测试框架,相比于 DeepXplore 具有更高的神经元覆盖率、更高效的寻找故障输入、更小的干扰等优势。
Aug, 2018
本研究旨在提出一种新型的 fuzzing 方法,它从程序当前状态信息入手,利用强化学习优化变异算子,以达到更全面的覆盖率,并使程序监视器与深度神经网络相连接,能够同时利用强化学习以及 fuzzing 的优势来优化测试用例。
Jul, 2018
本研究提出了一种基于置信度的图神经网络模型 CF-GNN,以保证模型的可靠性,所采用的置信度预测方法即为 conformal prediction,该方法可产生预测区间,该区间内包含了真值标签,该模型通过拓扑感知输出修正模型减少了预测集大小,从而实现了较高的预测精度。
May, 2023
通过对神经程序平滑化的深入分析,我们发现机器学习和基于梯度的变异对 NPS 模糊测试的贡献,为基于机器学习的模糊测试提出了新的基准指南,并提出了 MLFuzz 平台,用于容易且可复现地对基于 ML 的模糊测试进行评估。
Sep, 2023
本文提出了基于约束的模糊测试 ConFL,利用约束自动提取输入约束并产生有效输入。实验结果表明,ConFL 比现有技术更有效,且发现了 TensorFlow,PyTorch 和 Paddle 中的许多未知漏洞。
Jul, 2023
本研究提出了一种名为 FairFuzz 的模糊测试工具,通过优化输入的变异方式和优先选择罕见程序部分的输入数据,提高了对程序的覆盖率,并在实际测试中表现出比现有工具更好的标准。
Sep, 2017