.png){kind=icon}
返回
BCI-Fuzz: Bug-triggering Code Innovated to Fuzz Deep Learning Libraries
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jss.2026.112822.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在深度学习（DL）库中已发现大量错误。由此产生的崩溃或不一致性对DL系统造成了广泛影响。触发错误的代码包含有利于模糊测试的因素，但这些代码尚未被广泛用于DL库的模糊测试。现有方法通过随机变异生成典型代码实例的API输入参数，导致代码覆盖率有限。同时，从实例中提取API使用规范意味着只能获取API的部分参数类型，并且仅覆盖实例中存在的API，这导致API测试的充分性和覆盖率不足。本文提出了一种新颖的DL库测试方法，称为BCI-Fuzz。测试用例通过利用来自结构和语义两个方面的触发错误代码片段生成，扩展了独特代码行为的覆盖率。同时，提取的参数约束可以指导API参数值的生成，确保测试多种参数类型。推断API之间的相似性并替换代码中的调用，能够覆盖缺乏输入代码调用的API。实验表明，BCI-Fuzz优于现有方法，展示了实际的错误检测能力。它可以从最新的触发错误代码片段中获取触发现有版本缺陷的指导信息。
Keyword:
BCI-Fuzz
Deep Learning Libraries
Bug Detection
Fuzzing
API Testing
期刊
IF:
4.1
论文数:
5.5K
被引数:
8.4K
机构
暂无机构信息
引用论文
Input Distribution Coverage: Measuring Feature Interaction Adequacy in Neural Network Testing输入分布覆盖率: 在神经网络测试中测量特征交互充分性
OAAI
.png){kind=icon}
OAAI分享收藏Come for syntax, stay for speed, understand defects: an empirical study of defects in Julia programs
PREAI
分享收藏
COMET: Coverage-guided Model Generation For Deep Learning Library TestingCOMET: 用于深度学习库测试的覆盖引导模型生成OAAI
OAAI分享收藏Deep learning framework testing via hierarchical and heuristic model generation基于分层和启发式模型生成的深度学习框架测试
PREAI
分享收藏 没有更多内容
没有更多内容