CN116383067A - 一种基于模糊测试停止的充分性判断方法及装置 - Google Patents
一种基于模糊测试停止的充分性判断方法及装置 Download PDFInfo
- Publication number
- CN116383067A CN116383067A CN202310362831.2A CN202310362831A CN116383067A CN 116383067 A CN116383067 A CN 116383067A CN 202310362831 A CN202310362831 A CN 202310362831A CN 116383067 A CN116383067 A CN 116383067A
- Authority
- CN
- China
- Prior art keywords
- test
- fuzzy test
- sufficiency
- fuzzy
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 190
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3676—Test management for coverage analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于模糊测试停止的充分性判断方法及装置，包括：定期获取模糊测试的多项模糊测试指标；根据所述多项模糊测试指标的权重计算充分性得分；当所述充分性得分小于等于第一阈值时，继续进行所述模糊测试，当所述充分性得分大于所述第一阈值时，自动停止所述模糊测试。本发明提供的基于模糊测试停止的充分性判断方法，针对被测对象达到充分测试的情况下，将自动停止对该被测对象的模糊测试。
Description
技术领域
本发明实施例涉及模糊测试技术领域，特别是涉及一种基于模糊测试停止的充分性判断方法及装置。
背景技术
模糊测试是一种通过向目标系统提供非预期的输入并监视异常结果来发现软件漏洞的方法。现有模糊测试方法测停止方法主要采用的是固定时间停止或用户主动停止的方式。现有模糊测试技术存在测试时间不足，对被测目标测试不充分的问题；同时也存在测试时间过长，已测试充分情况下对测试目标进行无效测试的问题。
因此，有必要提供一种基于模糊测试停止的充分性判断方法及装置，可以有效解决上述问题。
发明内容
本发明提供一种基于模糊测试停止的充分性判断方法及装置，针对被测对象达到充分测试的情况下，将自动停止对该被测对象的模糊测试。
本发明实施例提供一种基于模糊测试停止的充分性判断方法，包括：
定期获取模糊测试的多项模糊测试指标；
根据所述多项模糊测试指标的权重计算充分性得分；
当所述充分性得分小于等于第一阈值时，继续进行所述模糊测试，当所述充分性得分大于所述第一阈值时，自动停止所述模糊测试。
优选地，所述多项模糊测试指标包括发现新种子的概率、覆盖率百分比、运行时间、距上一次新路径发现的时间间隔、最大模糊测试次数、总周期数、未发现任何新路径的循环数、能覆盖到目前已知边的最小种子集中仍未进行模糊测试的种子数、未进行模糊测试的种子数、相对种群丰富度、产生种子数。
优选地，对所述多项模糊测试指标进行因子选取得到第一强度关联指标以进行贝叶斯优化算法，所述第一强度关联指标包括：所述总周期数、所述距上一次新路径发现的时间间隔、所述未发现任何新路径的循环数、所述未进行模糊测试的种子数、所述发现新种子的概率、所述覆盖率百分比。
优选地，所述充分性得分通过以下公式进行计算：
最终得分＝(总周期数权重+距上一次新路径发现的时间间隔权重+未发现任何新路径的循环数权重+未进行模糊测试的种子数权重)*发现新物种的概率权重*覆盖率权重
其中，所述权重使用贝叶斯超参得到。
优选地，选取多个代码靶场，在每个代码靶场进行模糊测试预设天数，每隔预设时间记录所述第一强度关联指标的数据。
优选地，定义搜索空间，所述第一强度关联指标的数据大于等于0。
优选地，执行所述贝叶斯优化算法，获得最高的最终得分以及所述第一强度关联指标的各权重比值。
优选地，执行所述贝叶斯优化算法之前，还包括使用optuna超参数调优框架。
优选地，验证所述贝叶斯优化算法的结果，针对不同测试对象进行多轮模糊测试，若测试结果表示不同测试对象均可达到并保持预设时间的预设阈值的模糊测试得分，则自动停止所述模糊测试，否则继续进行所述模糊测试。
本发明实施例还提供一种基于模糊测试停止的充分性判断装置，包括：
模糊测试指标获取模块，其用于定期获取模糊测试的多项模糊测试指标；
充分性得分计算模块，其用于根据所述多项模糊测试指标的权重计算充分性得分；
充分性得分判断模块，其用于当所述充分性得分小于等于第一阈值时，继续进行所述模糊测试，当所述充分性得分大于所述第一阈值时，自动停止所述模糊测试。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
本发明实施例的基于模糊测试停止的充分性判断方法及装置，定期获取模糊测试的多项模糊测试指标，根据所述多项模糊测试指标的权重计算充分性得分，当所述充分性得分小于等于第一阈值时，继续进行所述模糊测试，当所述充分性得分大于所述第一阈值时，自动停止所述模糊测试，针对被测对象达到充分测试的情况下，将自动停止对该被测对象的模糊测试。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的流程示意图；
图2为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的发现新种子的概率的测试结果一；
图3为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的覆盖百分比的测试结果一；
图4为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的发现新种子的概率的测试结果二；
图5为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的覆盖百分比的测试结果二；
图6为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的发现新种子的概率的测试结果三；
图7为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的覆盖百分比的测试结果三；
图8为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的发现新种子的概率的测试结果四；
图9为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的覆盖百分比的测试结果四；
图10为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的针对不同测试对象的多轮测试结果一；
图11为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的针对不同测试对象的多轮测试结果二；
图12为本发明的一个实施例提供的基于模糊测试停止的充分性判断装置的模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面以具体的实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
基于现有技术存在的问题，本发明提供一种基于模糊测试停止的充分性判断方法及装置，针对被测对象达到充分测试的情况下，将自动停止对该被测对象的模糊测试。
图1为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的流程示意图。现在参看图1，本发明实施例提供一种基于API依赖的模糊变异方法，包括：
步骤S101：定期获取模糊测试的多项模糊测试指标；
步骤S102：根据所述多项模糊测试指标的权重计算充分性得分；
步骤S103：当所述充分性得分小于等于第一阈值时，继续进行所述模糊测试，当所述充分性得分大于所述第一阈值时，自动停止所述模糊测试。
在具体实施中，所述多项模糊测试指标包括发现新种子的概率、覆盖率百分比、运行时间、距上一次新路径发现的时间间隔、最大模糊测试次数、总周期数、未发现任何新路径的循环数、能覆盖到目前已知边的最小种子集中仍未进行模糊测试的种子数、未进行模糊测试的种子数、相对种群丰富度、产生种子数。
在具体实施中，对所述多项模糊测试指标进行因子选取得到第一强度关联指标以进行贝叶斯优化算法，所述第一强度关联指标包括：所述总周期数、所述距上一次新路径发现的时间间隔、所述未发现任何新路径的循环数、所述未进行模糊测试的种子数、所述发现新种子的概率、所述覆盖率百分比。
在针对多个测试靶场的模糊测试过程中对所有可采集的不同因子数据进行收集。并且针对每一个提出来的因子与该靶场的测试覆盖率进行相关性分析。有强相关性的作为强因子，即第一强度关联指标。有弱相关性的作为弱因子，无相关的则不作为本次采用的因子。
图2为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的发现新种子的概率的测试结果一；图3为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的覆盖百分比的测试结果一；图4为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的发现新种子的概率的测试结果二；图5为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的覆盖百分比的测试结果二；图6为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的发现新种子的概率的测试结果三；图7为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的覆盖百分比的测试结果三；图8为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的发现新种子的概率的测试结果四；图9为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的覆盖百分比的测试结果四。现在参看图2-图9，可以看到发现新种子的概率测试结果为发现新种子的概率随着测试时间的增加将呈指数性下降趋近于0，覆盖百分比的测试结果为覆盖率百分比随着测试时间的增加将呈对数性上升，趋近于100或最终达到100。
在具体实施中，所述充分性得分通过以下公式进行计算：
最终得分＝(总周期数权重+距上一次新路径发现的时间间隔权重+未发现任何新路径的循环数权重+未进行模糊测试的种子数权重)*发现新物种的概率权重*覆盖率权重
强相关性指标采用乘积加权，弱相关性的指标采用加法加权。其中，所述权重使用贝叶斯超参得到。在具体实施中，选取多个代码靶场，在每个代码靶场进行模糊测试预设天数，每隔预设时间记录所述第一强度关联指标的数据，即每秒产生的所有因子的数据。具体地，所述多个代码靶场包括Exif、xpdf、tcpdump、cjson、jepg、libarchive、libksba、libksba、audiofile、binutils共10个代码靶场。
在具体实施中，定义搜索空间，所述第一强度关联指标的数据大于等于0。具体地，超参数方法中因子越多，算法计算量越大。所以，考虑时间成本与算力成本的前提下，需要先定义因子，即根据强弱相关性将无相关的因子剔除出方法中。其次需要给每个因子确认搜索空间，每个因子有实际的值域范围，定义搜索空间可以让算法不去尝试无效或者不可能发生场景下的情况，节约算法时间。例如，覆盖率百分比实际只可能大于等于0，现实没有负数的情况发生。
在具体实施中，执行所述贝叶斯优化算法，获得最高的最终得分以及所述第一强度关联指标的各权重比值。贝叶斯优化算法是通过预估一个先验概率后通过原始数据的计算，得到一个更优的后验概率。然后搭载在Optuna的超参数调优框架中，即可对给定的计算公式、原始数据、进行权重的调优。贝叶斯公式：P(B|A)＝P(A|B)P(B)/P(A)。
最终得分的计算公式具体如下：
最终得分＝(总周期数权重+距上一次新路径发现的时间间隔权重+未发现任何新路径的循环数权重+未进行模糊测试的种子数权重)*发现新物种的概率权重*覆盖率权重
通过超参数对各权重的不停调整，可以计算得出各种情况下的最终得分。最终在Optuna执行1000000次后，获得的最大的最终得分，以及这个最终得分对应的所有计算因子的权重。
在具体实施中，执行所述贝叶斯优化算法之前，还包括使用optuna超参数调优框架。Optuna是一个超参数调优的代码框架。主要需要设定：寻参字典、结果的计算方法、重复训练的次数。设定完成后，可以通过运行optuna代码后获得最优的计算方法。
在具体实施中，验证所述贝叶斯优化算法的结果，针对不同测试对象进行多轮模糊测试，若测试结果表示不同测试对象均可达到并保持预设时间的预设阈值的模糊测试得分，则自动停止所述模糊测试，否则继续进行所述模糊测试。在Optuna中利用代码，将贝叶斯定理实现成了贝叶斯算法。具体来说，在Optuna每次执行后，可以根据执行的权重结果再预估下一组权重。
图10为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的针对不同测试对象的多轮测试结果一；图11为本发明的一个实施例提供的基于模糊测试停止的充分性判断方法的针对不同测试对象的多轮测试结果二。现在参看图10和图11，可以看到根据贝叶斯算法得出的结果，通过对Exif、xpdf、tcpdump、cjson、jepg、libarchive、libksba、libksba、audiofile、binutils共10个靶场的测试，结果最终得分均可以达到并保持较长时间的3300模糊测试得分。
图12为本发明的一个实施例提供的基于模糊测试停止的充分性判断装置的模块示意图。现在参看图12，本发明实施例还提供一种基于模糊测试停止的充分性判断装置，包括：
模糊测试指标获取模块121，其用于定期获取模糊测试的多项模糊测试指标；
充分性得分计算模块122，其用于根据所述多项模糊测试指标的权重计算充分性得分；
充分性得分判断模块123，其用于当所述充分性得分小于等于第一阈值时，继续进行所述模糊测试，当所述充分性得分大于所述第一阈值时，自动停止所述模糊测试。
综上所述，本发明实施例的基于模糊测试停止的充分性判断方法及装置，定期获取模糊测试的多项模糊测试指标，根据所述多项模糊测试指标的权重计算充分性得分，当所述充分性得分小于等于第一阈值时，继续进行所述模糊测试，当所述充分性得分大于所述第一阈值时，自动停止所述模糊测试，针对被测对象达到充分测试的情况下，将自动停止对该被测对象的模糊测试。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于模糊测试停止的充分性判断方法，其特征在于，包括：
定期获取模糊测试的多项模糊测试指标；
根据所述多项模糊测试指标的权重计算充分性得分；
当所述充分性得分小于等于第一阈值时，继续进行所述模糊测试，当所述充分性得分大于所述第一阈值时，自动停止所述模糊测试。
2.根据权利要求1所述的基于模糊测试停止的充分性判断方法，其特征在于，所述多项模糊测试指标包括发现新种子的概率、覆盖率百分比、运行时间、距上一次新路径发现的时间间隔、最大模糊测试次数、总周期数、未发现任何新路径的循环数、能覆盖到目前已知边的最小种子集中仍未进行模糊测试的种子数、未进行模糊测试的种子数、相对种群丰富度、产生种子数。
3.根据权利要求2所述的基于模糊测试停止的充分性判断方法，其特征在于，对所述多项模糊测试指标进行因子选取得到第一强度关联指标以进行贝叶斯优化算法，所述第一强度关联指标包括：所述总周期数、所述距上一次新路径发现的时间间隔、所述未发现任何新路径的循环数、所述未进行模糊测试的种子数、所述发现新种子的概率、所述覆盖率百分比。
4.根据权利要求3所述的基于模糊测试停止的充分性判断方法，其特征在于，所述充分性得分通过以下公式进行计算：
最终得分＝(总周期数权重+距上一次新路径发现的时间间隔权重+未发现任何新路径的循环数权重+未进行模糊测试的种子数权重)*发现新物种的概率权重*覆盖率权重
其中，所述权重使用贝叶斯超参得到。
5.根据权利要求3所述的基于模糊测试停止的充分性判断方法，其特征在于，选取多个代码靶场，在每个代码靶场进行模糊测试预设天数，每隔预设时间记录所述第一强度关联指标的数据。
6.根据权利要求5所述的基于模糊测试停止的充分性判断方法，其特征在于，定义搜索空间，所述第一强度关联指标的数据大于等于0。
7.根据权利要求3所述的基于模糊测试停止的充分性判断方法，其特征在于，执行所述贝叶斯优化算法，获得最高的最终得分以及所述第一强度关联指标的各权重比值。
8.根据权利要求7所述的基于模糊测试停止的充分性判断方法，其特征在于，执行所述贝叶斯优化算法之前，还包括使用optuna超参数调优框架。
9.根据权利要求1所述的基于模糊测试停止的充分性判断方法，其特征在于，验证所述贝叶斯优化算法的结果，针对不同测试对象进行多轮模糊测试，若测试结果表示不同测试对象均可达到并保持预设时间的预设阈值的模糊测试得分，则自动停止所述模糊测试，否则继续进行所述模糊测试。
10.一种基于模糊测试停止的充分性判断装置，其特征在于，包括：
模糊测试指标获取模块，其用于定期获取模糊测试的多项模糊测试指标；
充分性得分计算模块，其用于根据所述多项模糊测试指标的权重计算充分性得分；
充分性得分判断模块，其用于当所述充分性得分小于等于第一阈值时，继续进行所述模糊测试，当所述充分性得分大于所述第一阈值时，自动停止所述模糊测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310362831.2A CN116383067B (zh) | 2023-04-07 | 2023-04-07 | 一种基于模糊测试停止的充分性判断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310362831.2A CN116383067B (zh) | 2023-04-07 | 2023-04-07 | 一种基于模糊测试停止的充分性判断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116383067A true CN116383067A (zh) | 2023-07-04 |
| CN116383067B CN116383067B (zh) | 2023-11-21 |
Family
ID=86972828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310362831.2A Active CN116383067B (zh) | 2023-04-07 | 2023-04-07 | 一种基于模糊测试停止的充分性判断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116383067B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130205397A1 (en) * | 2012-02-07 | 2013-08-08 | Microsoft Corporation | Adaptive fuzzing system for web services |
| US9104877B1 (en) * | 2013-08-14 | 2015-08-11 | Amazon Technologies, Inc. | Detecting penetration attempts using log-sensitive fuzzing |
| CN111897729A (zh) * | 2020-08-03 | 2020-11-06 | 北京理工大学 | 基于TensorFuzz的深度神经网络模糊测试框架和测试方法 |
| CN114297666A (zh) * | 2021-12-31 | 2022-04-08 | 上海安般信息科技有限公司 | 一种基于模糊测试的云部署自动化漏洞挖掘系统 |
| CN114661577A (zh) * | 2022-01-26 | 2022-06-24 | 天津大学 | 一种基于确定性策略与覆盖引导的模糊测试方法及工具 |
| CN115061911A (zh) * | 2022-06-17 | 2022-09-16 | 中国工商银行股份有限公司 | 一种自适应感知覆盖度量反馈的模糊测试方法及装置 |
| CN115225551A (zh) * | 2022-07-14 | 2022-10-21 | 北京邮电大学 | 一种模糊测试方法、装置、设备及存储介质 |
| CN115328804A (zh) * | 2022-09-05 | 2022-11-11 | 北京信息科技大学 | 一种基于组合覆盖的循环代码模糊测试方法 |
-
2023
- 2023-04-07 CN CN202310362831.2A patent/CN116383067B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130205397A1 (en) * | 2012-02-07 | 2013-08-08 | Microsoft Corporation | Adaptive fuzzing system for web services |
| US9104877B1 (en) * | 2013-08-14 | 2015-08-11 | Amazon Technologies, Inc. | Detecting penetration attempts using log-sensitive fuzzing |
| CN111897729A (zh) * | 2020-08-03 | 2020-11-06 | 北京理工大学 | 基于TensorFuzz的深度神经网络模糊测试框架和测试方法 |
| CN114297666A (zh) * | 2021-12-31 | 2022-04-08 | 上海安般信息科技有限公司 | 一种基于模糊测试的云部署自动化漏洞挖掘系统 |
| CN114661577A (zh) * | 2022-01-26 | 2022-06-24 | 天津大学 | 一种基于确定性策略与覆盖引导的模糊测试方法及工具 |
| CN115061911A (zh) * | 2022-06-17 | 2022-09-16 | 中国工商银行股份有限公司 | 一种自适应感知覆盖度量反馈的模糊测试方法及装置 |
| CN115225551A (zh) * | 2022-07-14 | 2022-10-21 | 北京邮电大学 | 一种模糊测试方法、装置、设备及存储介质 |
| CN115328804A (zh) * | 2022-09-05 | 2022-11-11 | 北京信息科技大学 | 一种基于组合覆盖的循环代码模糊测试方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙全洲 等: "软件测试充分性模糊决策方法研究及应用", 《北京化工大学学报》, vol. 34, pages 34 - 38 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116383067B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110572297B (zh) | 网络性能的评估方法、服务器及存储介质 | |
| US20130143556A1 (en) | Technique for Cell Signature Determination | |
| CN114978956B (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
| CN115774652B (zh) | 一种基于聚类算法的群控设备健康监测方法、设备及介质 | |
| CN112398700B (zh) | 一种服务降级方法及装置、存储介质、计算机设备 | |
| CN115656840A (zh) | 电池充电剩余时间的预测方法、装置、系统以及存储介质 | |
| CN116383067B (zh) | 一种基于模糊测试停止的充分性判断方法及装置 | |
| CN117590268A (zh) | 电池储能系统状态评估方法 | |
| CN109219055A (zh) | 一种主用户占空比估计方法 | |
| CN116010228B (zh) | 面向网络安全扫描的时间预估方法及装置 | |
| CN108174379B (zh) | 基于支持向量机和阈值筛选的恶意用户识别方法及装置 | |
| CN111385041B (zh) | 一种干扰噪声强度的测量方法及装置、存储介质 | |
| CN111294889B (zh) | 小区搜索方法及装置、存储介质、终端 | |
| WO2015143727A1 (zh) | 一种非连续传输检测装置及方法 | |
| CN113518059A (zh) | 一种网络License启停控制方法及装置 | |
| CN116107859B (zh) | 容器故障预测方法、装置、电子设备及存储介质 | |
| CN112417312B (zh) | 一种网络社交平台用户分类方法、存储介质及终端 | |
| Wu et al. | Repeated significance tests of linear combinations of sensitivity and specificity of a diagnostic biomarker | |
| CN117851266B (zh) | 安全关键软件可靠性贝叶斯验证方法及装置 | |
| CN111537986B (zh) | 一种信号捕获方法及装置 | |
| Abdullahi et al. | Optimized Forward Consecutive Mean Excision Algorithm for Adaptive Threshold Estimation in the Energy Detector | |
| CN114462549A (zh) | 储能电站运行工况分类方法、系统、存储介质及服务器 | |
| CN117395103A (zh) | 盲检结果的获取方法、装置、存储介质及电子设备 | |
| CN117077733A (zh) | 基于d-gan网络数据自适应的时频二维频谱感知方法 | |
| CN115048291A (zh) | 一种软件测试方法、装置以及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |