arXiv cs.AI· Vivek Vekariya, Fathiyeh Faghih, Alexander Pretschner·· 11 小时前AI 评分31
FuzzInsight：覆盖率引导 DNN 模糊测试的效率与有效性权衡
FuzzInsight: Navigating the Efficiency-Effectiveness Trade-off in Coverage-Guided DNN Fuzzing
AI 导读
FuzzInsight 针对覆盖率引导的 DNN 模糊测试提出配置分析与决策指南，其 Equalized Sampling 策略将种子队列平均利用率提升至 77%，较此前方法提高 13 个百分点。
正文 · AI 翻译
摘要：为评估深度神经网络（DNN）而收集和标注多样化的测试数据集既昂贵又耗时。这促使了覆盖引导模糊测试技术的出现，该技术能从有限的测试数据中生成能暴露缺陷的边界用例。然而，其有效性在很大程度上取决于配置选择，尤其是覆盖准则和种子选择策略。我们针对两个瓶颈——种子利用效率低下和覆盖引导的成本——提出了面向配置的分析和决策指南，以实现可扩展的 DNN 模糊测试。我们的分析表明，现有的种子选择策略会反复优先考虑一小部分输入，导致许多已收集的种子未被探索。为解决这一问题，我们提出了均衡采样（Equalized Sampling），这是一种基于约束的策略，可将平均种子队列利用率提高到 77%，比先前方法提高了 13 个百分点。
我们进一步在四个基准数据集上评估了 84 种模糊测试配置：MNIST、SVHN、GTSRB 和 CIFAR-100。结果表明，非结构性准则 LSCD、LSC 和 MDSC 在覆盖结果上与结构性准则及其他非结构性准则相当，同时所需的计算量大幅减少。这些准则还促进了对被测 DNN 的广泛行为探索，减少了对多个覆盖指标进行监控的需求。其中，LSCD 提供了适度但一致的运行时优势。
最后，我们表明，使用生成的边界用例进行重新训练可将泛化鲁棒性平均提高多达 77 个百分点，且不会降低在原始测试分布上的性能。总之，这些发现为选择兼顾效率、行为探索和模型加固的模糊测试配置提供了实用蓝图。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.23195 [cs.AI] |
| （或 arXiv:2610.23195v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23195 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Vivek Vrujlal Vekariya [查看电子邮件]
[v1]
2026年10月16日星期五 09:32:22 UTC（660 KB）
来源：arXiv cs.AI · arxiv.org