基于动态变异分析的深度神经网络测试输入优先级排序方法

摘要

深度神经网络(DNN)测试是确保DNN质量的常用方法之一.然而，标记测试输入以验证DNN预测正确性的成本非常高，这会在很大程度上影响DNN测试的效率，甚至影响整个DNN开发过程.因此，优先标注能够揭示DNN模型错误行为的测试输入，不仅有助于加速模型缺陷的修复，还能显著提高测试效率.本文提出了一种基于动态变异分析的深度神经网络测试输入优先级排序方法DMAPRI,旨在有限时间内标记更多能暴露DNN错误行为的测试输入，从而提高测试效率.DMAPRI通过对测试输入进行变异操作后，构建其学习轨迹并提取相关特征，将特征输入到训练好的排序模型中对测试输入进行优先级排序.本文通过与5个广泛使用的DNN模型和3个数据集下的九种基线方法进行比较，实验结果表明，DMAPRI在故障检测能力和指导DNN重训练方面显著优于现有的基线方法.

关键词

深度神经网络 / 变异分析 / 测试输入优先级排序

基金资助

国家自然科学基金项目(62072233,U2241216)资助; 航空科学基金项目(201919052002)资助