[发明专利]一种针对深度学习程序进行神经元变异的测试方法

说明书

本发明涉及一种针对深度学习程序进行神经元变异的测试方法，其特征是通过对已经训练好的深度学习神经网络中的神经元进行变异，主要包括：改变连接权重、增减单个神经元、修改某个神经元的偏移量、修改某个神经元的激活函数、屏蔽输入的某个维度等方式，用变异后的深度学习程序变异体来评估测试用例集的有效性，变异体杀死率也可以作为测试充分性的度量，用来指导生成更有效的测试用例。

技术领域

本发明属于软件工程中软件测试领域，也属于计算机工程的人工智能领域。软件测试主要依托黑盒、白盒等技术对待测试软件的有效性、安全性、健壮性、易用性等特性进行测试；人工智能主要是研究如何让计算机具有类似人的智能的问题，目前我们讨论的主要是弱人工智能，而深度学习是人工智能领域中的一个分支，也是最具有应用前景的解决方案。

背景技术

软件测试是软件开发和维护过程中保障软件质量的重要手段，其中测试用例设计是软件测试中的核心问题，根据测试人员是否依据源码来设计测试用例，可以把测试分为白盒测试和黑盒测试。基于源代码的测试称为白盒测试，和其它软件测试方法相比，白盒测试技术更容易发现软件故障。常用的软件测试方法有覆盖测试技术、域测试技术、符号测试技术、插装测试技术和变异测试技术等。黑盒测试是从软件的外部对软件实施测试，也常形容为闭着眼睛的测试，主要优点是测试用例符合程序或系统的预期使用，很自然，易于理解。常用的黑盒测试有等价类划分法、因果图法、正交实验法、边值分析法、判定表驱动法、功能测试、状态测试等。目前测试人员一般借助控制流或数据流分析来定义测试充分性准则，如分支覆盖率、Define-use覆盖率等，并用于指导随后的测试用例设计。变异测试(mutation testing)则从另一个角度对测试充分性进行了度量，该测试技术可用于评估和改进测试用例集(testsuite)的测试充分性。具体来说，测试人员首先根据被测程序特征设计变异算子(mutation operator)，变异算子一般在符合语法前提下仅对被测程序作微小改动。然后对被测程序应用变异算子可生成大量变异体(mutant)，在识别出等价变异体(equivalent mutant)后，若已有测试用例不能杀除所有非等价变异体，则需要额外设计新的测试用例，并添加到测试用例集中，以提高测试充分性。除了可用于测试用例集的充分性评估，变异测试也可以通过采用变异缺陷来模拟被测软件的真实缺陷，从而对研究人员提出的测试方法的有效性进行辅助评估。例如Andrews等人和Do等人均在他们的实证研究中，证实了变异算子生成的变异缺陷与真实缺陷在有效性评估中效果相似。上述变异测试分析有时又简称为变异分析(mutation analysis)。

深度学习是机器学习领域一个新的研究方向，近年来在语音识别、计算机视觉等多类应用中取得突破性的进展。其动机在于建立模型模拟人类大脑的神经连接结构，在处理图像、声音和文本这些信号时，通过多个变换阶段分层对数据特征进行描述，进而给出数据的解释。以图像数据为例，灵长类的视觉系统中对这类信号的处理依次为:首先检测边缘、初始形状，然后再逐步形成更复杂的视觉形状，同样地，深度学习通过组合低层特征形成更加抽象的高层表示、属性类别或特征，给出数据的分层特征表示。深度学习之所以被称为“深度”，是相对支撑向量机(support vector machine，SVM)、提升方法(boosting)、最大熵方法等“浅层学习”方法而言的，深度学习所学得的模型中，非线性操作的层级数更多。浅层学习依靠人工经验抽取样本特征，网络模型学习后获得的是没有层次结构的单层特征；而深度学习通过对原始信号进行逐层特征变换，将样本在原空间的特征表示变换到新的特征空间，自动地学习得到层次化的特征表示，从而更有利于分类或特征的可视化。