2、HashC：让DNN覆盖测试更精细、更快速

HashC：让DNN覆盖测试更精细、更快速

1. 引言

深度神经网络（DNNs）在众多工业特定领域任务中展现出强大能力，其广泛应用对行为可靠性提出了更高要求。然而，DNNs存在严重的安全和可靠性问题。在DNNs的保证评估工具中，测试是兼顾完整性和效率的最佳选择之一。但由于数据驱动的DNNs行为无法明确编码为控制流结构，直接采用软件测试标准来量化DNNs的测试充分性是不可行的。

为评估测试套件对DNN的测试效果，近期研究提出了各种覆盖准则：
- 神经元覆盖（NC） ：受软件测试中代码覆盖的启发，计算激活神经元的比例，但不够精细，难以区分测试套件之间的细微差异。
- 桶覆盖准则（BCCs） ：详细研究单个神经元的输出，如IDC、NBC、SNAC和KMNC等，将神经元的输出值范围划分为桶并计算激活桶的比例，但大多不够精细，且在测试套件规模过大或过小时，性能不符合DNN测试实践。
- 组合覆盖准则（CCCs） ：分析神经元之间的相互作用，如2 - 路覆盖、MC/DC神经元覆盖、3 - 路覆盖和INC等，但对于大规模DNNs的测试过于耗时。
- 其他准则 ：TKNC评估前k个神经元的比例，惊喜覆盖（SC）衡量测试输入相对于训练集的相对新颖性，但TKNC缺乏关于DNNs规模的可扩展性，SC的评估结果受训练集质量影响，且在大规模DNNs上无法考虑所有神经元。

为更有效、高效地衡量DNNs的测试充分性，本文提出了HashC覆盖测试框架。HashC可以使BCCs具有“组合性”，同时将其时间复杂度保持在O(mn