一种基于决策边界实例的深度学习软件测试充分性度量方法技术

本发明专利技术提出一种基于决策边界实例的深度学习软件测试充分性度量方法。首先，使用对抗样本生成技术和二分迭代算法，利用训练数据集生成位于决策边界上的对抗性实例，将DL软件的决策边界具象化。然后，计算测试数据和决策边界实例数据之间的距离来表示测试数据在决策边界上的分布情况。最后，计算整个测试数据集在决策边界上的覆盖率。覆盖率越高，测试越充分。本发明专利技术目的在于通过计算测试数据集相对于训练数据集在深度学习软件上的行为差异来度量测试数据集的充分程度，进而提高软件测试人员对深度学习软件测试充分性和测试过程可解释性的认识，暴露软件缺陷，保障软件质量。

【技术实现步骤摘要】

本专利技术属于软件工程中的软件测试领域，尤其适用于深度学习软件测试中的测试充分性度量领域。其目的在于通过计算测试数据集相对于训练数据集在深度学习软件上的行为差异来度量测试数据集的充分程度，进而提高软件测试人员对深度学习软件测试充分性和测试过程可解释性的认识。

技术介绍

1、深度学习dl技术可追溯到人工神经网络。它通过组合多个简单的非线性低级特征，提取抽象的高级特征，从而在海量数据中学习有效的特征表示。dl技术，随着大数据的涌现和计算能力的显著提升，逐渐被应用到医疗诊断、欺诈检测、自动驾驶等安全攸关领域。但是，深度学习软件的网络结构复杂，输入数据中任何微小的扰动都可能导致dl软件做出错误的决策行为，进而带来严重的后果。因此，测试人员需要对深度学习软件进行充分的测试来保证其质量，以应对复杂的现实应用场景。

2、现有的覆盖测试方法基于神经元激活值比较dl软件决策行为差异来度量测试充分性。行为差异越小，覆盖率越高，测试越充分。惊喜充分性sa是一种有效的测试充分性度量方法。它使用神经元的激活轨迹来表示dl软件的决策行为，而后度量新的测试输入在训练数据集决本文档来自技高网...

【技术保护点】

1.一种基于决策边界实例的深度学习软件测试充分性度量方法；其特征在于，首先通过对抗样本生成技术和二分迭代算法生成位于决策边界上的对抗样本实例，将DL软件的决策边界具象化；然后，计算测试数据和决策边界实例数据之间的距离来表示测试数据在决策边界上的分布情况；最后，计算整个测试数据集在决策边界上的覆盖率；该方法包括下列步骤：

2.根据权利要求1所述的基于决策边界实例的深度学习软件测试充分性度量方法，其特征在于，在步骤1)中，使用对抗样本生成技术和二分迭代算法，利用训练数据集，以端到端的方式，生成对抗性实例数据来具象化深度学习软件决策行为的边界。

3.根据权利要求1所述的...

【技术特征摘要】

1.一种基于决策边界实例的深度学习软件测试充分性度量方法；其特征在于，首先通过对抗样本生成技术和二分迭代算法生成位于决策边界上的对抗样本实例，将dl软件的决策边界具象化；然后，计算测试数据和决策边界实例数据之间的距离来表示测试数据在决策边界上的分布情况；最后，计算整个测试数据集在决策边界上的覆盖率；该方法包括下列步骤：

2.根据权利要求1所述的基于决策边界实例的深度学习软件测试充分性度量方法，其特征在于，在步骤1)中，使用对抗样本生成技术和二分迭代算法，利用训练数据集，以端到端的方式，生成对抗性实例数据来具象化深度学习软件决策行...

【专利技术属性】
技术研发人员：赵志宏，张世宇，冯力超，王丹，王兴亚，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：