一种针对智能计算框架的模糊测试方法及装置制造方法及图纸

本申请公开了一种针对智能计算框架的模糊测试方法、装置及设备。该方法包括：获得初始测试样例，初始测试样例包括标准学习模型及模型对应的标准测试数据集；获得突变学习模型，突变学习模型是基于将标准学习模型进行层变异、权重变异和计算图变异后得到的学习模型；确定新测试样例，新测试样例包括突变学习模型和标准测试数据集；调用待测试的智能计算框架对新测试样例进行计算，获得突变学习模型在标准测试数据集下的计算结果；基于计算过程及计算结果，确定智能计算框架的漏洞。该方法可以利用丰富的变异方法，快速有效地生成突变的新测试样例，从而有效揭示智能计算框架的漏洞。从而有效揭示智能计算框架的漏洞。从而有效揭示智能计算框架的漏洞。

【技术实现步骤摘要】
一种针对智能计算框架的模糊测试方法及装置


[0001]本申请实施例涉及计算机
，特别涉及一种针对智能计算框架的模糊测试方法、装置及设备。

技术介绍

[0002]智能计算框架是一种基于人工智能技术的软件开发框架，旨在构建机器学习模型的底层程序库，从而简化和加速机器学习的开发和部署。其中，智能计算框架用于支持机器学习模型的训练和执行，例如TensorFlow框架(符号数学系统)、PyTorch框架(开源的Python机器学习库)等，可以提供计算资源和算法库等功能，帮助用户快速搭建、训练和部署机器学习模型。
[0003]为了检测智能计算框架的漏洞和异常情况，常常需要针对智能计算框架进行模糊测试。其中，模糊测试是一种自动化软件测试方法，它向软件注入非法、畸形或非预期的输入，以揭示软件缺陷和漏洞。
[0004]目前主要采用AUDEE测试方案对智能计算框架进行模糊测试。但是其模型变异策略只改变了常用框架的API(应用程序接口)的内部参数，没有覆盖智能计算框架的更多API及使用方式。例如只能覆盖TensorFlow框架的部分API，而无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对智能计算框架的模糊测试方法，其特征在于，包括：获得初始测试样例，所述初始测试样例包括标准学习模型及所述模型对应的标准测试数据集；获得突变学习模型，所述突变学习模型是基于将所述标准学习模型进行层变异、权重变异和计算图变异后得到的学习模型；确定新测试样例，所述新测试样例包括所述突变学习模型和所述标准测试数据集；调用待测试的智能计算框架对所述新测试样例进行计算，获得所述突变学习模型在所述标准测试数据集下的计算结果；基于计算过程及所述计算结果，确定所述智能计算框架的漏洞。2.根据权利要求1所述的方法，其特征在于，对所述标准学习模型进行层变异的方式，包括：收集可用于添加至所述标准学习模型的图层；基于所述图层的加入对所述智能计算框架的计算结果的差异的提高程度，给所述图层打分；根据打分由高到低的顺序，获得图层优先级列表；根据所述图层优先级列表，选择图层插入至所述标准学习模型，获得层变异的所述标准学习模型。3.根据权利要求2所述的方法，其特征在于，所述收集可用于添加至所述智能计算框架中的图层，包括：从可用的应用程序接口API序列中选择一个API作为起点，将其构造为一个图层，作为第一图层；根据贪心算法，从所述API序列中选择一个或多个API，将其加入到所述第一图层，得到第二图层；当所述第二图层满足预设条件时，将所述第二图层确定为可添加至所述标准学习模型中的图层。4.根据权利要求3所述的方法，其特征在于，所述预设条件包括：当加入至所述标准学习模型后，生成的突变学习模型对应的计算结果的差异超过预设程度值。5.根据权利要求3所述的方法，其特征在于，将所述第二图层确定为可添加至所述标准学习模型中的图层之后，还包括：对每个变异后的标准学习模型进行测试，确定被测试次数小于预设值的标准学习模型，作为被选中的标准学习模型；基于每个被选中的标准学习模型的预测结果与实际结果之间的差异程度，获得对应标准学习模型的评分；针对评分从高到低的标准学习模型，按照预设分配表中从高...

【专利技术属性】
技术研发人员：王晓楠，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：