上一页 1 ··· 4 5 6 7 8 9 10 11 12 ··· 79 下一页
2023年8月29日
Proj CDeepFuzz Paper Reading: Supply-Chain Vulnerability Elimination via Active Learning and Regeneration
摘要： ## Abstract 背景： 1. 软件供应链攻击的目标是集成到客户端应用程序中的组件。 2. 此类攻击通常针对广泛使用的组件，通过不影响客户端观察到的组件行为（例如文件系统或网络访问）进行攻击。 本文：HARP Task: infer and regenerate the client-obse 阅读全文
posted @ 2023-08-29 15:46 雪溯 阅读(11) 评论(0) 推荐(0) 编辑
Proj CDeepFuzz Paper Reading: SyRust: automatic testing of Rust libraries with semantic-aware program synthesis
摘要： ## Abstract 背景： 1. unsafe能够绕开rust type system 2. rust libraries中常有许多unsafe keyword 本文：SyRust Task: fuzz Rust library APIs Challenge: synthesize well-t 阅读全文
posted @ 2023-08-29 15:44 雪溯 阅读(13) 评论(0) 推荐(0) 编辑
Proj CDeepFuzz Paper Reading: Deepxplore: Automated whitebox testing of deep learning systems
摘要： ## Abstract 背景：现有的深度学习测试在很⼤程度上依赖于⼿动标记的数据，因此通常⽆法暴露罕⻅输⼊的错误⾏为。 本文：DeepXplore Task: a white-box framework to test DL Models 方法： 1. neuron coverage 2. diff 阅读全文
posted @ 2023-08-29 12:59 雪溯 阅读(22) 评论(0) 推荐(0) 编辑
2023年8月7日
Proj CDeepFuzz Paper Reading: Large Language Models are Edge-Case Fuzzers: Testing Deep Learning Libraries via FuzzGPT
摘要： ## Abstract 背景： 1. 深度学习库需要满足编程语言的语法、语义需求，也需要满足valid computational graphs的tensor/operator constraints 2. LLM倾向于生成普通正常的程序，但是模糊测试则需要异常模式 3. 历史错误可能更有价值 本文 阅读全文
posted @ 2023-08-07 05:20 雪溯 阅读(55) 评论(0) 推荐(0) 编辑
2023年8月6日
Proj CDeepFuzz Paper Reading: DLFuzz: Differential Fuzzing Testing of Deep Learning Systems
摘要： ## Abstract 本文: DLFuzz 方法: Adversarial inputs + Fuzzing, Differential Testing between before/after adding perturb 实验： 数据集：MNIST LeNet, ImageNet + VGG/ 阅读全文
posted @ 2023-08-06 20:36 雪溯 阅读(12) 评论(0) 推荐(0) 编辑
Proj CDeepFuzz Paper Reading: Coverage Guided Differential Adversarial Testing of Deep Learning Systems
摘要： ## Abstract 本文：DLFuzz Task: Fuzz Machine Learning Models using differential testing to detect inconsistency before/after perturbation with minutely mu 阅读全文
posted @ 2023-08-06 20:36 雪溯 阅读(5) 评论(0) 推荐(0) 编辑
Proj CDeepFuzz Paper Reading: Fuzz Testing based Data Augmentation to Improve Robustness of Deep Neural Networks
摘要： ## Abstract 背景： 1. 对微小扰动十分脆弱主要来自于overfitting、limited datasets 2. 由于Specification往往不完备，因此automatic program repair通常要从程序行为中学习 本文：SENSEI, SENSEI-SA Githu 阅读全文
posted @ 2023-08-06 20:36 雪溯 阅读(15) 评论(0) 推荐(0) 编辑
Proj CDeepFuzz Paper Reading: Muffin: Testing Deep Learning Libraries via Neural Architecture Fuzzing
摘要： ## Abstract 背景：已有的方法仅仅利用了已经存在的models，只在model inference阶段检测bugs 本文: Muffin 方法：specifically-designed model fuzzing approach + 定制一组指标来衡量不同DL库之间的不一致differ 阅读全文
posted @ 2023-08-06 20:35 雪溯 阅读(16) 评论(0) 推荐(0) 编辑
Proj CDeepFuzz Paper Reading: CoCoFuzzing: Testing Neural Code Models with Coverage-Guided Fuzzing
摘要： ## Abstract 本文：CocoFuzzing Task: test ML Models, test code processing models 方法：10 mutators to automatically generate validly and semantically preserv 阅读全文
posted @ 2023-08-06 20:35 雪溯 阅读(6) 评论(0) 推荐(0) 编辑
Proj CDeepFuzz Paper Reading: Free Lunch for Testing: Fuzzing Deep-Learning Libraries from Open Source
摘要： ## Abstract 背景：Python API使得DL Libraries的参数类型难以确定 本文：FreeFuzz Github: https://github.com/ise-uiuc/FreeFuzz 方法：从1. 来自库文档的代码片段 2. 测试 3. DL models in the 阅读全文
posted @ 2023-08-06 20:35 雪溯 阅读(21) 评论(0) 推荐(0) 编辑
上一页 1 ··· 4 5 6 7 8 9 10 11 12 ··· 79 下一页