English(EN) FuzzInsight: Navigating the Efficiency-Effectiveness Trade-off in Coverage-Guided DNN Fuzzing

FuzzInsight 通过新的采样和覆盖策略改进深度神经网络模糊测试

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

研究人员开发了 FuzzInsight，一个旨在提高深度神经网络 (DNN) 模糊测试技术效率和效果的新框架。该系统通过引入均衡采样策略解决了种子利用和覆盖率引导中的瓶颈，该策略将平均种子队列利用率提高了 13 个百分点。FuzzInsight 还识别出 LSCD 等非结构化覆盖标准，这些标准在计算开销较小的情况下能提供与结构化方法相当的结果，从而促进了对 DNN 更广泛的行为探索。该框架生成的极端情况在用于再训练时，可以将泛化鲁棒性提高多达 77 个百分点。 AI

影响通过提高测试效率和极端情况生成来增强 DNN 的鲁棒性和泛化能力。

排序理由该项目是一篇研究论文，详细介绍了一种新的 DNN 模糊测试方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 9 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该项目是一篇研究论文，详细介绍了一种新的 DNN 模糊测试方法。 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Vivek Vekariya, Fathiyeh Faghih, Alexander Pretschner · 2026-10-19 04:00

FuzzInsight：驾驭覆盖率引导的深度神经网络模糊测试中的效率-有效性权衡

arXiv:2610.23195v1 Announce Type: new Abstract: Collecting and labeling diverse test datasets for evaluating Deep Neural Networks (DNNs) is costly and time-consuming. This has motivated coverage-guided fuzzing techniques that generate defect-revealing corner cases from limited te…

本文如何被排名

报道来源 [1]

FuzzInsight：驾驭覆盖率引导的深度神经网络模糊测试中的效率-有效性权衡

相关实体

相关话题