[发明专利]一种面向自动驾驶软件系统激光雷达的分布式模糊测试方法

说明书

本发明通过模糊测试技术来实施自动驾驶软件系统的自动化测试评估，主要采用了分布式点云数据生成和测试技术，特征是能够高效进行自动化测试用例生成、自动驾驶软件系统评估以及测试报告的生成。在具体流程中使用基于模糊引导的测试数据生成、分布式技术、点云数据分析、点云格式转换、数据度量、系统评估以及报告生成技术，通过分布式架构实现大规模高效测试，并基于构建蜕变关系评估模型缺陷，最终完成对自动驾驶系统的安全度评价。

技术领域

本发明属于软件测试领域，特别是涉及到模糊测试技术。以分布式架构，针对自动驾驶软件系统激光雷达进行测试用例生成，对自动驾驶软件系统进行测试评估，同时进行监控并最终生成测试报告。

背景技术

模糊测试（Fuzzing）是目前最流行的漏洞发现技术。Fuzzing测试作为一种自动化的软件测试技术，它提供不符合人类逻辑但是被解析器接受的大量随机数据作为程序输入，以发现程序内部异常。与其他技术相比，Fuzzing易于部署，具有良好的可扩展性和适用性，并且可以在有或没有源代码的情况下执行。 此外，由于模糊测试是在实际执行过程中进行的，因此具有较高的准确性。更重要的是，Fuzzing只需要很少的目标应用程序知识，可以很容易地扩展到大规模应用程序。特别在机器学习系统中，Fuzzing能大大提高测试的效率和覆盖率。然而，模糊的随机性和盲目性导致了查找错误的低效率与资源浪费，研究者谋求（1）如何采取更好的突变策略以节约资源；(2)如何在测试中定位代码的关键位置；（3）如何以更高效的架构进行测试。

在自动驾驶系统中，目标识别、分类和决策等均是使用了机器学习CNN算法。例如，摄像头在对图像分类过程以及激光雷达对点云数据的目标检测过程中均使用的是机器学习中的神经网络算法，自主决策控制模块则很大程度上应用了机器学习的知识，并能在车辆的行驶中不断学习和强化已有的决策能力。自动驾驶作为神经网络中“性命攸关”的领域，对程序安全性提出了极高的要求，拥有覆盖面广，安全度高且高效率的测试方法是自动驾驶软件系统研究中极为重要的一环。

目前模糊测试在自动驾驶软件系统中的应用还存在诸多限制，首先传统模糊测试所使用的传统字节级别的变异技术对具有高结构化的输入类型影响较小，无法对巨大的输入域空间进行充分覆盖，另外，不同于传统软件，自动驾驶软件系统涉及到多种传感器数据的感知与分析，其不仅输入数据形式多样，而且测试所需数据量庞大，测试和评估所需时间资源较多，如何针对这些类型传感数据建立也是一套高效的自动化测试方法是很大的挑战。

因此，本项目拟研究针对自动驾驶软件系统激光雷达的分布式模糊测试技术，对自动驾驶软件系统进行自动化测试，通过分布式架构实现高效测试，最终完成对自动驾驶系统的安全度评价。

发明内容

本发明要解决的问题是：自动驾驶软件系统测试效率低下，难以进行快速的自动化迭代测试的问题。本专利的发明能够自动化进行测试用例生成、测试评估和报告生成，并通过分布式架构，以实现高效的测试迭代，解决自动驾驶软件系统测试效率低的问题。

本发明的技术方案为：一种面向自动驾驶软件系统激光雷达的分布式模糊测试方法，其特征是能够高效进行自动化测试用例生成、自动驾驶软件系统评估以及测试报告的生成。该方法包含以下三个模块。

用例生成模块：

Fuzzing测试是一个无限空间的测试，逻辑上讲可以有无限个测试用例，为了有效的测试被测对象，必须对随机用例的生成做一些限制，即在一定的范围内生成测试用例。针对自动驾驶激光雷达，我们采用规则和变异的方法来进行测试用例生成，通过构建生成规则来生成特定场景的激光雷达点云数据，例如雨、雪和雾等，再通过变异进行微调，达到更高的覆盖率。

测试评估模块：