ارزيابي مدل‌هاي يادگيري عميق براي توليد داده آزمون در فازرهاي مبتني بر فايل

فازينگ به معني اجراي مكرر برنامه تحت آزمون با ورودي هاي تغيير يافته، با هدف يافتن آسيب پذيري است. در صورتي كه ورودي هاي برنامه تحت آزمون داراي ساختار پيچيده اي باشند، توليد ورودي هاي تغيير يافته براي انجام فازينگ كار راحتي نيست. بهترين راه حل در اين موارد، استفاده از ساختار ورودي برنامه تحت آزمون به‌منظور توليد دقيق داده آزمون است. مشكلي كه وجود دارد اين است كه ممكن است مستندات ساختار ورودي برنامه تحت آزمون در دسترس نباشد. همچنين درك انساني چنين ساختارهاي پيچيده اي نيز بسيار مشكل، پرهزينه، زمان بر و مستعد خطاي انساني است. براي غلبه بر مشكلات فوق، استفاده از يادگيري ماشين و شبكه هاي عصبي عميق به‌منظور يادگيري خودكار ساختارهاي پيچيده ورودي هاي برنامه و توليد داده آزمون متناسب با اين ساختار پيشنهاد شده است. يكي از چالش هاي اصلي در اين زمينه، استفاده از مدل يادگيري متناسب با كاربرد مورد نظر است. در اين مقاله، مدل هاي يادگيري عميق مناسب براي يادگيري و توليد داده آزمون در فازرهاي مبتني بر فايل مورد بررسي قرار گرفته است. همچنين با معرفي پارامترهاي مناسب براي بررسي كارايي، ارزيابي مدل هاي يادگيري عميق انجام شده است. بر اين اساس، شبكه هاي عصبي بازرخداد و مشتقات آن به‌عنوان بهترين مدل هاي يادگيري عميق براي داده هاي متني انتخاب شده است. همچنين پارامترهاي مؤثر براي ارزيابي كارايي مدل هاي يادگيري عميق شامل زمان آموزش، ميزان خطاي مدل ها در زمان آموزش و و زمان ارزيابي درنظر گرفته شده است. پارامتر ميزان خطا به‌عنوان پارامتر اصلي، يك بار در مدل هاي يادگيري عميق مختلف با ساختار يكسان و يك بار در مدل هاي يادگيري عميق يكسان با ساختار متفاوت مورد ارزيابي قرار گرفته و بهترين مدل يادگيري عميق انتخاب و معرفي شده است.