一种基于不确定性的智能系统测试数据生成方法

摘要

本发明提供的一种基于不确定性的智能系统测试数据生成方法，对传统CNN分类器模型进行重构，结合D‑S证据理论进行的不确定性推理得到信息冲突值，然后基于冲突值和神经元覆盖率引导测试数据生成。从生成更多样的测试数据和提高测试充分性的角度出发，通过综合增大样本特征之间的冲突值可以产生对抗样本诱导模型误分类和提高神经元覆盖率有助于提高测试的充分性两个方面的内容，结合了模型的结构、参数、样本特征之间的冲突以及神经元覆盖率指标，是一种新的测试数据生成方法。与DeepXplore相比，不需要使用多个神经网络模型交叉引证，与DLFuzz相比，能生成更多的测试数据。