网站开通宣传怎么写,wordpress 主题 xiu,wordpress非插件文章浏览量,网站海外seo测试的基本目的之一#xff0c;是对被测对象进行质量评估。换言之#xff0c;是要提供关于被测对象质量的“确定性”。因此#xff0c;我们很忌讳在测试设计中引入“不确定性”#xff0c;比如采用不可靠的测试工具、自动化测试代码逻辑复杂易错、测试选择假设过于主观等等…测试的基本目的之一是对被测对象进行质量评估。换言之是要提供关于被测对象质量的“确定性”。因此我们很忌讳在测试设计中引入“不确定性”比如采用不可靠的测试工具、自动化测试代码逻辑复杂易错、测试选择假设过于主观等等。 近期我们看到了很多利用大模型辅助测试的研究和实践。尽管大模型在提升测试效率、提高测试用例可读性等方面展现出不错的潜力但其决策结果所固有的不可解释性对测试所期求的“确定性”产生了直接冲击。如果我们将测试设计的底座构筑在这种工具上质量评估结论的可信性问题就会变得非常突出。
那么大模型辅助测试的正确打开方式究竟是什么呢目前来看“利用大模型的生成能力、遵循用例多样化的设计路线、拓展测试集的缺陷检出能力”似乎是一个相对靠谱的答案。
在这方面Deng等人利用大模型开展模糊测试的一项工作[1]给我们提供了一个颇具参考价值的示例。我们具体来看看。
假设被测对象是一组API接口那么测试用例的表现形式就是调用这些API的测试代码。通过多样化的测试代码我们能够验证这些API在各种调用行为中的表现是否符合预期并找到可能存在的缺陷。
我们知道为了实现用例的多样化一种常用的手段是模糊测试方法。然而对于代码形式的用例而言如果直接对种子代码进行随机变异大概率将导致编译错误或运行时错误因此传统的模糊测试手段并不适用。这时具备代码生成能力的大模型就派上用场了。
在代码生成领域常见的大模型有两类生成式大模型仅根据上文如自然语言描述或前序代码生成完整的代码片段填充式大模型则可以在包含占位符的代码片段中进行填空。综合利用这两类大模型我们就能够完成模糊测试中种子生成和变异的任务首先用Codex这样的生成式模型生成调用目标API的种子测试代码继而用INCODER这样的填充式模型对种子测试代码进行演化式的变异得到更多模糊测试代码。最后分别在CPU和GPU服务器上执行模糊测试代码采用差分测试策略探查缺陷。整个过程如下图所示 以下算法描述了演化式的模糊测试用例生成过程上图中间部分 该算法中包含如下要点 在初始化部分使用Codex生成的种子测试代码Seeds对种子银行进行初始化。种子银行中维护着目前为止生成的所有目标API测试代码。另外需要对各个变异操作符的概率分布进行初始化这个概率分布将在后续的迭代中不断更新用以选取最合适的变异操作符 在演化迭代中首先从种子银行中选取一个种子选取策略是先选出适应值最高的N个种子然后采用softmax函数对这N个种子的适应值进行归一化籍此评估每个种子最终被选中的概率概率最高的种子中选 根据变异操作符的概率分布选取概率最高的变异操作符 使用选定的变异操作符对种子测试代码进行变异也就是将种子测试代码中的一个或多个位置譬如API参数、方法名、调用前序代码、调用后序代码等替换为span占位符。不同的替换位置对应着不同类型的变异操作符 将变异后的代码提交给INCODER模型要求其对占位符位置进行填空。INCODER模型可能会给出多种不同的填空结果。如果填空之后得到的代码能够编译通过那就是一个有效的模糊测试用例否则就是无效的。之前我们对种子进行变异的目的就是为了得到多样化的、有效的模糊测试用例。而对不同的待测API来说适用的变异操作也是不同的。能够通过填空生成的有效代码数量越多说明当前选定的变异操作符越适用。因此我们可以用有效和无效用例的数量对变异操作符的概率分布进行动态更新。这种思路实际上来自多臂老虎机Multi-Armed Bandit, MAB算法 每一个填空生成的有效模糊测试用例都将进入种子银行成为下个迭代中的备选种子。在此之前我们需要先评估这一段测试代码的数据流图最大深度D并统计其中调用各种不同API的次数U-RR是重复调用的次数由此算出该用例的适应值得分。通常认为那些涉及一长串不同API调用的用例能够更充分地覆盖API之间的交互事件因此也就更有可能发现API的潜在缺陷。适应值函数FitnessFunction(C) D U - R就是根据这一思路来定义的。
参考文献
[1] Deng Y, Xia C S, Peng H, et al. Large language models are zero-shot fuzzers: Fuzzing deep-learning libraries via large language models[C]//Proceedings of the 32nd ACM SIGSOFT international symposium on software testing and analysis. 2023: 423-435.
