面向深度学习系统的模糊测试技术研究进展
作者:
作者单位:

作者简介:

代贺鹏(1993-),男,博士生,主要研究领域为软件测试;孙昌爱(1974-),男,博士,教授,博士生导师,CCF高级会员,主要研究领域为软件测试,故障定位,服务计算;金慧(1997-),女,硕士生,主要研究领域为软件测试;肖明俊(1997-),男,硕士生,主要研究领域为软件测试

通讯作者:

孙昌爱,casun@ustb.edu.cn

中图分类号:

基金项目:

国家自然科学基金(61872039); 北京市自然科学基金(4162040); 航空科学基金(2016ZD74004)


State-of-the-art Survey on Fuzz Testing for Deep Learning System
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    深度学习系统具有强大的学习与推理能力, 在无人驾驶、语音识别和机器人等领域应用广泛. 由于数据集的限制以及依赖人工标签数据, 深度学习系统易于出现非预期的行为. 近年来, 深度学习系统的质量问题受到广泛的关注, 特别是在安全攸关的领域. 由于模糊测试具有较强的故障揭示能力, 运用模糊测试技术对深度学习系统进行测试成为研究热点. 从测试用例生成(包括种子队列构建、种子选择和种子变异)、测试结果判定、覆盖分析3个方面对已有的深度学习系统的模糊测试技术进行总结, 并介绍常用的数据集以及度量指标, 最后对其发展方向进行展望.

    Abstract:

    Deep learning (DL) systems have powerful learning and reasoning capabilities and are widely employed in many fields including unmanned vehicles, speech recognition, intelligent robotics, etc. Due to the dataset limit and dependence on manually labeled data, DL systems are prone to unexpected behaviors. Accordingly, the quality of DL systems has received widespread attention in recent years, especially in safety-critical fields. Fuzz testing with strong fault-detecting ability is utilized to test DL systems, which becomes a research hotspot. This study summarizes existing fuzz testing for DL systems in the aspects of test case generation (including seed queue construction, seed selection, and seed mutation), test result determination, and coverage analysis. Additionally, commonly used datasets and metrics are introduced. Finally, the study prospects for the future development of this field.

    参考文献
    相似文献
    引证文献
引用本文

代贺鹏,孙昌爱,金慧,肖明俊.面向深度学习系统的模糊测试技术研究进展.软件学报,2023,34(11):5008-5028

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2021-08-18
  • 最后修改日期:2021-12-23
  • 录用日期:
  • 在线发布日期: 2022-05-24
  • 出版日期:
您是第位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京市海淀区中关村南四街4号,邮政编码:100190
电话:010-62562563 传真:010-62562533 Email:jos@iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号