【技术实现步骤摘要】
本专利技术属于模糊测试，涉及一种深度学习系统模糊测试多样性种子变异方法。
技术介绍
1、近年来，深度学习在工业机器人、自动驾驶和智能家居等多个领域得到广泛应用。然而，这种技术的普及也带来了前所未有的挑战。深度学习的决策能力依赖于对大量数据的处理能力，但如果这些深度学习模型部署之前没有进行全面而严格的测试，其决策可能会导致重大的经济损失，甚至会威胁到人的生命安全。例如，在2018年，亚利桑那州发生了一起uber自动驾驶汽车未能识别行人而导致的事故，造成行人身亡。2023年，在首尔一家农产品物流中心，由于机器人传感器故障，机器人错误地将一个工人误识别为一个箱子，将其提起并摔到传送带上，导致其不幸身亡。这些严重的事件揭示了深度学习存在潜在的漏洞或缺陷，为确保其在实际应用中的安全性，迫切需要对深度学习模型潜在的漏洞或缺陷进行挖掘。
2、模糊测试是一种通用的漏洞挖掘方法，在传统软件漏洞挖掘领域已经取得显著成效，近年来，该方法被广泛地应用于深度学习模型漏洞挖掘。深度学习模型的模糊测试通过对待测种子进行变异，将变异后的种子输入到深度学习模...
【技术保护点】
1.深度学习系统模糊测试多样性种子变异方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的深度学习系统模糊测试多样性种子变异方法，其特征在于，步骤1中，所述多样性种子生成式对抗网络在StarGAN v2模型架构基础上增加了神经元位置信息提取器，具体包括生成器、判别器、风格编码器、映射网络和神经元位置信息提取器，并保留StarGAN v2模型的风格重建损失、风格多样性损失和循环一致性损失；其中，风格编码器和映射网络用于产生多个风格向量；神经元位置信息提取器用于生成携带神经元位置信息的原始种子；生成器用于生成种子，其具有两种输入，分别是通过风格编...
【技术特征摘要】
1.深度学习系统模糊测试多样性种子变异方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的深度学习系统模糊测试多样性种子变异方法，其特征在于，步骤1中，所述多样性种子生成式对抗网络在stargan v2模型架构基础上增加了神经元位置信息提取器，具体包括生成器、判别器、风格编码器、映射网络和神经元位置信息提取器，并保留stargan v2模型的风格重建损失、风格多样性损失和循环一致性损失；其中，风格编码器和映射网络用于产生多个风格向量；神经元位置信息提取器用于生成携带神经元位置信息的原始种子；生成器用于生成种子，其具有两种输入，分别是通过风格编码器或映射网络生成的风格向量和携带神经元位置信息的原始种子；判别器用于评估生成种子的真实性，以及生成种子是否符合目标风格。
3.根据权利要求2所述的深度学习系统模糊测试多样性种子变异方法，其特征在于，所述神经元位置信息提取器提取神经元位置信息，将提取的信息嵌入种子，并结合覆盖率损失约束，促使生成器生成的种子能够激活目标神经元，具体如下式...
【专利技术属性】
技术研发人员：于振华，李西滕，何佳，叶鸥，侯锐志，崔锴华，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。