-
公开(公告)号：CN118689771A
公开(公告)日：2024-09-24
申请号：CN202410839275.8
申请日：2024-06-26
申请人： 深圳市金溢科技股份有限公司 , 南京大学
摘要： 本发明实施例公开了基于智能交通V2X模型的领域特定变异测试方法、装置及计算机设备。所述方法包括：设置领域特定变异算子；根据所述领域特定变异算子对已训练的智能交通V2X模型进行变异，以得到目标变异模型；生成智能化测试用例，以测试所述目标变异模型，形成测试结果；对所述测试结果进行深度性能分析，并根据分析结果对所述目标变异模型的参数以及训练策略进行迭代优化。通过实施本发明实施例的方法可实现提高测试的覆盖率和准确性，确保模型在面对未知挑战时的鲁棒性，增强系统的整体可靠性，更好地检测模型可能存在的潜在缺陷，还能够有效地模拟各种复杂和边缘情况，从而有效应对智能交通系统中的挑战和风险。
-
公开(公告)号：CN118689772A
公开(公告)日：2024-09-24
申请号：CN202410839296.X
申请日：2024-06-26
申请人： 深圳市金溢科技股份有限公司 , 南京大学
摘要： 本发明实施例公开了基于智能交通模型神经元特性的变异测试方法、装置及计算机设备。所述方法包括：设置深度依赖变异算子；根据所述深度依赖变异算子与已训练的智能交通模型进行模型变异，以得到目标变异模型；获取测试用例；利用所述测试用例输入至已训练的智能交通模型以及目标变异模型，并进行输出结果的分析，以得到分析结果；根据所述分析结果优化已训练的智能交通模型。通过实施本发明实施例的方法可实现有效地模拟各种交通情景下可能出现的异常输入，从而更全面地评估模型的鲁棒性和可靠性，不仅提高了测试的针对性和有效性，而且为智能交通系统的安全运行提供了更强的保障。
-
公开(公告)号：CN113742204B
公开(公告)日：2023-12-12
申请号：CN202010487165.1
申请日：2020-05-27
申请人： 南京大学
IPC分类号： G06F11/36 , G06F18/214 , G06N3/08 , G06N3/0464
摘要： 一种基于模糊测试的深度学习算子测试工具，通过训练集分析、随机数据补充、中间数据获取等多种方式得到一批测试数据作为种子，转化为可用测试用例并初始化模糊测试的语料集。然后根据具体的待测算子获取可用的变异方法并制定用例扩增策略。接着按照扩增策略，抽取语料集中的元素，生成大批新测试用例，并作为待测算子接口的输入。最后采用差分测试的方法评(56)对比文件陈锦富 等.基于变异技术的第三方构件安全性测试系统.江苏大学学报(自然科学版).2017,第39卷(第01期),第71-77页.
-
公开(公告)号：CN110688321B
公开(公告)日：2022-07-08
申请号：CN201910952056.X
申请日：2019-09-29
申请人： 南京大学
IPC分类号： G06F11/36 , G06N3/00 , G06F16/951
摘要： 本发明提出一种结合群体智能与机器智能增强移动应用测试的方法，用于增强机器智能的代码覆盖率，以获得更多发现缺陷的机会。该发明的主要创新在于两方面，一方面是将群体智能产出的代码进行了格式化的整理，从而找出群体智能在应用进行的测试中，不同页面之间进行转移的最短路径与相同页面内，和仅在少数代码中出现的特异路径，并保存为自动化工具的配置文件；另一方面将这些整理后的路径通过配置文件接人到机器智能中，使得机器智能可以解决由于部分页面之间的转移需要进行逻辑性操作(组合操作)而难以甚至无法实现的问题。
-
公开(公告)号：CN114265764A
公开(公告)日：2022-04-01
申请号：CN202111471772.X
申请日：2021-11-30
申请人： 南京大学
摘要： 一种基于带权重采样的深度学习算子测试数据生成方法，其特征是将一组提前设计的变异方法视作向不同数据取值域的映射，在其中进行预先的蒙特卡罗采样，从而获取各变异方法的有效性并以此为权重进行采样，并最终在兼顾数据多样性的同时更有效地生成深度学习算子测试数据。数据变异方法组合可灵活进行增、删、改，本方法提供的基本变异方法包括：字节、噪声和倒转变异。其中，字节变异指对测试数据的浮点数二进制编码进行字节操作的变异，包括各字节的增加、删除、取反、移位、随机重置；噪声变异是指随机使用各类噪声施加于测试数据；倒转变异是指将测试数据作为分母计算其伪倒数的变异。上述变异基于不同的基本思想，兼顾有效性与多样性。
-
公开(公告)号：CN114265581A
公开(公告)日：2022-04-01
申请号：CN202111471925.0
申请日：2021-11-30
申请人： 南京大学
摘要： 一种基于语法规则的深度神经网络自动生成方法，包括语法规则模块、安全检查模块、迭代生成模块、任务管理模块和数据处理模块。通过语法规则模块建立和更新语法规则，确保生成的深度神经网络模型的静态可用性；安全检查模块负责模拟深度神经网络模型的动态执行情况，以检查模型中的张量和拓扑关系，确保生成的深度神经网络模型的动态可用性；迭代生成模块逐层添加深度神经网络模型；任务管理模块生成和验证深度神经网络，实现对生成和验证任务的新建、查询、删除等操作；数据处理模块实现对待测框架类型和版本的新增和删除，同时对执行结果进行分析。多模块相互协同，以得到深度神经网络模型的生成报告及模型源文件，并提供测试结果预测等功能。
-
公开(公告)号：CN113742731A
公开(公告)日：2021-12-03
申请号：CN202010487163.2
申请日：2020-05-27
申请人： 南京大学
摘要： 一种面向代码漏洞智能检测的数据收集方法构建初始的代码漏洞数据集，再利用经过训练的机器学习模型处理未经标注的代码，根据模型标注和人工标注的结果对数据集进行扩充。其中初始数据集的构建是由代码漏洞检测工具的结果结合测试人员的判断得到，机器模型的训练是利用初始数据集，对于未经标注的代码则结合机器学习模型的判定和测试人员的判断结果确定是否发生误报，并据此扩充数据集。
-
公开(公告)号：CN110717602A
公开(公告)日：2020-01-21
申请号：CN201910952057.4
申请日：2019-09-29
申请人： 南京大学
IPC分类号： G06N20/10
摘要： 本发明提供的是一种基于噪音数据的机器学习模型鲁棒性评估方法，包括原始数据集处理、噪音数据获取、模型训练、模型预测、准确率下降比计算和模型鲁棒性评估。原始数据集处理包括收集百分百标签正确的原始数据集，并采用10次10-折交叉验证划分原始训练集和原始测试集。噪音数据获取包括在原始训练集的基础上，采用分层抽样方法抽取t′＝|D|·α个数据，并将其标签替换为错误标签，其中α为噪音数据率。模型训练包括基于常见分类算法，并分别输入原始训练集和混有噪音数据的训练集分别构建原始模型和新模型。模型预测包括基于原始测试集，对这原始模型和新模型分别进行准确度评估。准确率下降比计算包括计算新模型较原始模型而言准确率下降的比率。模型鲁棒性评估包括横纵向比较准确率下降的比率的大小，衡量模型鲁棒性强弱，实现了判断模型健壮性的标准。
-
-
公开(公告)号：CN117215906A
公开(公告)日：2023-12-12
申请号：CN202210715711.1
申请日：2022-06-02
申请人： 南京大学
IPC分类号： G06F11/36 , G06T7/73 , G06T7/13 , G06T7/155 , G06T7/80 , G06T5/00 , G06V20/62 , G06V10/44 , B25J9/16
摘要： 一种基于机械臂仿真与深度界面理解的移动测试脚本录制回放的方法，包括图像处理模块、深度界面理解模块、录制回放模块。图像处理模块包括对摄像头进行标定，产提取摄像头参数与畸变参数，以及通过图像增强算法对模糊的图片进行清晰度提升。深度界面理解模块由一个测试物体识别器与一个控件识别器组成，测试物体识别器通过轮廓检测检测测试物理的轮廓，并将测试物体从图像中截取；控件识别器包括图片识别与文字识别，图片识别器在图中根据边缘分割图像，将图像划分为各个部分，识别目标控件，文字识别器负责提取文本。在录制回放模块，我们通过记录图片点击存储测试行为的坐标与点击控件，并生成相应的机械臂行为指令，通过SSH传输协议将指令传送给机械臂后，机械臂利用逆运动学公式对行为指令进行转换，实现对测试脚本的回放。
-
-
-
-
-
-
-
-
-
搜索结果
52 条记录 (耗时 0.067 秒)