[发明专利]深度学习代码缺陷检测方法、系统、产品、设备、终端

权利要求书

1.一种基于蜕变测试和差分测试的深度学习代码缺陷检测方法，其特征在于，该基于蜕变测试和差分测试的深度学习代码缺陷检测方法包括以下步骤：

步骤一、生成模型的不同实现；

步骤二、对不同实现的模型做差分测试，即将相同的输入样本通过不同的实现模型处理，得到输出结果；

步骤三、比对输出结果是否相同；

步骤四、如不相同，则反馈存在代码缺陷，并指导设计蜕变关系进行蜕变测试；

步骤五、否则进入蜕变测试，生成具有蜕变关系的输入样本对；

步骤六、将具有蜕变关系的输入对通过深度学习模型处理，得到输出对结果；

步骤七、比对该输出对是否具有对应的蜕变关系；

步骤八、如无对应的蜕变关系则反馈代码缺陷；

步骤九、否则，表明该模型不存在代码缺陷。

2.根据权利要求1所述的基于蜕变测试和差分测试的深度学习代码缺陷检测方法，其特征在于，在差分测试部分，对于不同的模型输入形式进行不同的处理：

(a)对于给定一类实现相同功能的多个模型，则比较相同输入下的不同模型之间的输出；

(b)对于给定一个具体功能和实现方法的模型，则比较相同输入下该模型在不同框架下实现的输出；

(c)对于给定一个具体实现的模型，则比较其与相同功能的成熟模型相同输入下的输出。

3.根据权利要求1所述的基于蜕变测试和差分测试的深度学习代码缺陷检测方法，其特征在于，所述蜕变关系为改变训练和测试数据输入的RGB信道顺序，图像的RGB通道保存“红色”、“绿色”、“蓝色”的像素值，该数据通常以规定的R、G、B的顺序存储表示。

4.根据权利要求1所述的基于蜕变测试和差分测试的深度学习代码缺陷检测方法，其特征在于，所述蜕变关系为改变训练和测试数据卷积操作的顺序，该蜕变关系通过对图像进行翻转/旋转来完成。

5.根据权利要求1所述的基于蜕变测试和差分测试的深度学习代码缺陷检测方法，其特征在于，所述蜕变关系为将测试数据归一化，该归一化即是将测试数据归一至0均值和单位方差。

6.根据权利要求1所述的基于蜕变测试和差分测试的深度学习代码缺陷检测方法，其特征在于，所述蜕变关系为以常数缩放测试数据，即在原测试数据的基础上乘以一个固定的常数。

7.一种实现如权利要求1-6任意一项所述基于蜕变测试和差分测试的深度学习代码缺陷检测方法的系统，其特征在于，该基于蜕变测试和差分测试的深度学习代码缺陷检测系统包括：

差分测试模块，用于对模型进行差分测试，其由输入生成子模块、模型实现生成子模块和输出比对子模块组成；

蜕变测试模块，与所述差分测试模块相连接，用于对模型进行蜕变测试，其由蜕变关系输入对构造子模块和输出比对子模块组成。

8.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施如权利要求1-6任意一项所述基于蜕变测试和差分测试的深度学习代码缺陷检测方法。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

步骤一、生成模型的不同实现；

步骤二、对不同实现的模型做差分测试，即将相同的输入样本通过不同的实现模型处理，得到输出结果；

步骤三、比对输出结果是否相同；

步骤四、如不相同，则反馈存在代码缺陷，并指导设计蜕变关系进行蜕变测试；

步骤五、否则进入蜕变测试，生成具有蜕变关系的输入样本对；

步骤六、将具有蜕变关系的输入对通过深度学习模型处理，得到输出对结果；

步骤七、比对该输出对是否具有对应的蜕变关系；

步骤八、如无对应的蜕变关系则反馈代码缺陷；

步骤九、否则，表明该模型不存在代码缺陷。

10.一种信息数据处理终端，其特征在于，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-6任意一项所述基于蜕变测试和差分测试的深度学习代码缺陷检测方法。