【论文阅读】综述：深度学习库中Fuzzing技术的调研

论文基本信息

标题：Survey on Fuzzing Techniques in Deep Learning Libraries

会议：2023 8th International Conference on Data Science in Cyberspace (DSC)

时间：2023-8-18

摘要

为具有深度学习( DL )能力的行业赋权的不可逆转的趋势正在引发新的安全挑战。如果利用底层DL库( e.g. Tensorflow、PyTorch)的漏洞，基于DL的系统将容易受到严重的攻击。为了弥合安全需求和部署紧迫性之间的差距，对DL库进行测试至关重要。本文对模糊测试技术在深度学习( Deep Learning，DL )库中的应用进行了全面的综述。它阐述了这些技术的演变，讨论了各种方法，包括CARDLE、Audee、LEMON、Muffin、DocTer、FreeFuzz、DeepREL、IvySyn和最近的TitanFuzz。虽然这些方法显著地提高了DL库的可靠性，但仍然存在一些挑战。最值得注意的是，需要更多样化的API序列和改进对链式API序列的处理，这通常会导致错误。我们还讨论了大型语言模型在为模糊测试DL库生成输入程序方面的潜力，同时指出需要进一步研究以充分探索它们的可推广性和有效性。文章最后强调了推进Fuzzing技术以增强DL库鲁棒性的重要性，这是推动人工智能和深度学习下一波进展的关键因素。

当前研究进度

模糊测试技术

在工业界，超过80 %的领先服务设备提供商，包括微软[ 21 ]和谷歌[ 45 ]，已经采用或准备采用模糊测试技术对自己的产品进行质量和安全检查。凭借模糊测试技术强大的技术优势，该技术已经成为安全公司和相关研究人员用于漏洞发现的主要方法之一

深度学习库赋能

深度学习系统的构建涉及几个组成部分，包括数据集、学习程序和深度学习库。
一个系统越复杂，就越有可能存在潜在的安全隐患。

<