[2606.25239] 基于张量的批量模糊测试：面向深度神经网络的自适应扰动缩放
[2606.25239] 基于张量的批量模糊测试：面向深度神经网络的自适应扰动缩放
作者：Guanqin Zhang, Yulei Sui
提交于 2026年6月23日
深度神经网络日益部署于自动驾驶、医疗诊断等安全关键领域，但其不透明的高维参数空间使得系统评估模型在未见输入上的可靠性变得困难。现有面向DNN的覆盖率引导顺序模糊测试框架继承了传统软件模糊测试中"一次迭代处理一个输入"的设计，并对所有输入维度施加统一的扰动预算，这既限制了测试吞吐量（即单位时间内处理的输入数量），也限制了输入空间探索的精度。我们提出了一种新的规范感知批量模糊测试框架，采用自适应扰动缩放，同时解决了这两方面限制。不同于依赖固定的全局扰动半径epsilon，我们的方法利用共享的缩放因子，从规范定义的可变范围（下界与上界之间的差距）推导出变异步长。此缩放可应用于全局标量（各向同性）或逐维度步长（各向异性），使扰动与底层约束结构保持一致。因此，模糊器能够更有效地在批处理中的所有规范上探索具有异质特征尺度的输入空间。我们将输入约束和输出属性检查直接作为不可训练层嵌入到网络中，生成一个包装后的模型，在单次批量迭代中处理B个规范实例，显著提高了模糊测试效率和反例探索能力。我们在三个基准测试集上对框架进行了广泛评估，涵盖TrafficSigns、Cifar100和TinyImageNet上的六个网络和超过400个规范。与顺序基线相比，在相同时间预算下，我们的基于张量的模糊测试实现了高达40倍的吞吐量提升和4倍的违反次数增加，显著提升了规范引导模糊测试的有效性。