[发明专利]基于关键决策逻辑设计测试覆盖率的网络模型测试方法

权利要求书

1.一种基于关键决策逻辑设计测试覆盖率的网络模型测试方法，其特征在于方法包含步骤如下：

S1：处理得到训练集中每个训练图片样本在深度神经网络模型中的关键决策路径；

S2：根据训练集中所有训练图片样本的关键决策路径综合处理成深度神经网络模型的关键决策图；

S3：根据关键决策图对测试集处理获得测试覆盖率；

S4：利用测试覆盖率控制测试集对深度神经网络模型进行测试，获得用当前测试集对深度神经网络模型完备性衡量测试的结果；

所述步骤S3中：

S31：针对测试集，按照和训练集相同处理方式计算得到测试集的关键决策路径；

S32：将测试集的关键决策路径和关键决策图比较获得相似度度量，根据相似度度量处理获得测试集的测试覆盖率；

所述S32具体为：

S321：所述的测试覆盖率分为基于结构的神经元测试覆盖率和基于激活值的神经元测试覆盖率两个测试覆盖率，分别处理获得两个测试覆盖率：

A、基于结构的神经元测试覆盖率

针对测试图片样本x的关键决策路径在深度神经网络模型每一层逐层和关键决策图比较计算相似度，作为测试图片样本x在深度神经网络模型的各层的相似度，将相似度的空间建立为[0,1]，相似度计算方式如下：

其中，表示测试图片样本x的关键决策路径在深度神经网络模型第l层中所包含的所有神经元和关键决策图在第l层中包含的所有神经元之间的相似度，l表示深度神经网络模型的层数，为测试图片样本x的关键决策路径在深度神经网络模型第l层中所包含的所有神经元，表示的集合形式，为关键决策图在深度神经网络模型第l层中包含的所有神经元，表示的集合形式，∩为集合与操作，∪为集合或操作；

将相似度的空间等分为m个格子，根据所有测试图片样本的关键决策路径与关键决策图之间各层的相似度所占据的格子序数来度量获得基于结构的神经元测试覆盖率SNPC，具体计算公式如下：

其中，X表示输入的测试集，x表示测试集中的一个测试图片样本，f(x)表示深度神经网络模型对测试图片样本x的类别，k为类别f(x)的聚类数，m为相似度的空间划分的总格子数，为关键决策图，为关键决策图的层数，为测试图片样本x的关键决策路径和关键决策图之间在深度神经网络模型第l层的相似度所占据的格子序数，表示“任意”逻辑操作，∈表示“属于”逻辑操作，f表示深度神经网络模型，l为深度神经网络模型的总层数，n为测试集中的测试图片样本总数；G_f(x)表示所有聚类对应的所有关键决策图的集合；

B、基于激活值的神经元测试覆盖率

首先将测试图片样本x在深度神经网络模型的各层的相似度叠加求取平均值，作为测试图片样本x和关键决策图之间的总相似度；

然后将测试集中所有测试图片样本x的总相似度中选取总相似度最高的测试图片样本x作为参考测试图片样本x′；

在获取参考测试图片样本x′之后，在关键决策图上根据激活值计算激活值的差距作为距离，公式如下：

其中，x表示测试图片样本，l表示深度神经网络模型的总层数，为关键决策图在深度神经网络模型第l层中包含的所有神经元，表示测试图片样本x的关键决策路径在关键决策图的深度神经网络模型第l层中所包含神经元上的激活值，表示参考测试图片样本x′的关键决策路径在关键决策图的深度神经网络模型第l层中所包含神经元上的激活值；表示测试图片样本x和参考测试图片样本x′之间在深度神经网络模型第l层的激活值之差，即测试图片样本x和参考测试图片样本x′之间的距离；

根据距离范围建立一个距离空间，将距离空间等分为m个格子，根据每个测试图片样本x和参考测试图片样本x′之间的距离所占据的格子序数来度量获得基于激活值的神经元测试覆盖率ANPC，具体计算公式如下：

其中，X表示输入的测试集，x表示测试集中的一个测试图片样本，f(x)表示深度神经网络模型对测试图片样本x的类别，k为类别f(x)的聚类数，m为相似度的空间划分的总格子数，为关键决策图，为深度神经网络模型的层数，为测试图片样本x的关键决策路径和关键决策图之间在深度神经网络模型第l层的距离所占据的格子序数，表示“任意”逻辑操作，∈表示“属于”逻辑操作，f表示深度神经网络模型，l为深度神经网络模型的总层数，n为测试集中的测试图片样本总数；G_f(x)表示所有聚类对应的所有关键决策图的集合；

S322：以两个测试覆盖率中的较小者作为最终测试覆盖率。