基于机器学习和深度学习的模糊测试技术

第3.4     本文总结一下近期两篇：

　　基于机器学习的模糊测试研究综述

　　面向深度学习系统的模糊测试技术研究进展

一.机器学习---

　　一个经典的模糊测试程序工作流程包括输入预处理、测试用例生成、种子筛选与调度、测试执行、目标状态监测和结果分析等环节。

　　所以机器学习主要是通过对数据的训练，帮助在测试用例生成的数据，避免盲目编译，产出高质量的样例。

 

　　还是这个图，第二章机器学习怎么协助测试用例，就是讲了 测试用例里面的：生成→变异→调度/筛选→其它增值，这几个都在测试用例的过程里面，生成这个模块，会包括文件解析软件，编码解析工具，网络解析协议这些测试用例生成，而在变异中会有方向地推动变异，还会帮助我们在种子调度等更方便。

　　可以看出机器学习方法只针对测试输入生成这一步。

　　未来期望在于：拓宽领域，更深层次，提升效率，集思广益。

二.面向深度学习系统的模糊测试技术

因为这些都发生在测试输入生成阶段，本文的种子选择，种子变异，是通过深度学习的方法，迭代多次生成的。

阶段	目的	运行次数
预处理（数据准备）	把“原始业务数据”变成干净、可用、格式正确的初始文件，让后面任何测试都能直接读	1次
种子选择 & 变异（测试输入生成）	在已预处理好的种子池里，挑、改、造出能触发新覆盖或缺陷的新输入	每轮迭代都执行（成千上万次）

　　 覆盖分析就是在模糊测试输入以后，用深度学习模型来看下还有哪些缺陷没有覆盖到，覆盖是我们的手段。

 　　把变异输入喂给 DNN → 顺手读出内部各层/神经元/区间的激活值 → 用结构性指标检查有没有新的“区域”被点亮 → 如果有，就认为这次变异“拓宽了探索边界”，把它留种继续变异。

　　不断重复这个过程，就能把模型内部状态空间尽可能撑大，从而提高碰到缺陷的概率；

　　但覆盖分析本身并不会告诉你“这就是缺陷”，它只负责给出“还有没有没走过的角落”这一导航信号。

　　用深度学习并不是为了“像神经网络一样一步步覆盖”这个形式感，而是因为它同时提供了两样别的系统没有的东西，正好解决传统 fuzz 的盲区：

• 　免费、细粒度的“内部地图”

　　前向传播一次就能拿到每一层、每一段、每一个神经元的激活值，不需要插桩、不需要重写代码，就能实时知道“哪片区域还是黑的”——这是结构性覆盖能成立的前提。

• 　可导出的“方向箭头”

因为网络可微，可以把“点亮黑区”或“放大预测误差”直接写成损失函数，用梯度反向推回输入空间，自动生成能命中这些区域的变异样本——这是梯度类变异（DeepXplore、DLFuzz 等）能高效运转的根因。

 总结：

　　“本文用深度学习来助攻模糊测试：在测试用例生成阶段利用模型信息做种子调度与变异调度，生成新样本；执行后读取内部激活做覆盖分析，把触发新覆盖或缺陷的样本回投队列，循环迭代直至覆盖或缺陷目标达成。”

 两者对比一下：