FuzzInsight : Optimiser le compromis efficacité-coût dans le fuzzing de DNN guidé par couverture
En bref
- FuzzInsight analyse les biais des stratégies de sélection de graines dans le fuzzing de DNN.
- Equalized Sampling améliore l'utilisation moyenne des graines de 13 points de pourcentage.
- Les critères LSCD, LSC et MDSC réduisent les coûts de calcul tout en maintenant une couverture efficace.
Une analyse des techniques de fuzzing pour les réseaux de neurones profonds (DNN) montre que les stratégies actuelles de sélection de graines sous-exploitent les données disponibles. FuzzInsight propose une méthode, Equalized Sampling, qui améliore l'utilisation des graines de 13 points de pourcentage. L'étude évalue 84 configurations sur quatre jeux de données et identifie des critères de couverture non structurels plus efficaces.
Ce résumé vous donne l'essentiel. L'article complet, ses chiffres et ses citations sont chez cs.AI updates on arXiv.org.
Lire l'article originalRésumé généré par IA à partir de la source, relu par règles. Signaler une erreur