[发明专利]一种基于孪生网络的对抗生成模型的测试数据生成方法

说明书

本发明提供一种基于孪生网络的对抗生成模型的测试数据生成方法。该方法包括：构建一个对抗生成模型，包括生成器和判别器，判别器由一个孪生网络构成；训练对抗生成模型，具体为：获取由真实图像组成的样本集合，并利用生成器将输入的随机噪声转换为生成图像；将获取的真实图像和生成器输出的生成图像分别作为判别器的输入，并使用对比损失函数训练判别器；保持判别器的参数不变，将生成图像的标签设置为真实图像的标签，再次将更改标签后的生成图像送入判别器进行判断；将判别器的判别结果的误差进行反向传播以指导生成器的训练；对生成器和判别器进行交替训练，得到最优的对抗生成模型，利用最优的对抗生成模型生成测试用的图像数据。

技术领域

本发明涉及软件测试数据生成技术领域，尤其涉及一种基于孪生网络的对抗生成模型的测试数据生成方法。

背景技术

机器学习系统的应用越来越广泛，给各种应用带来的风险也越来越高。为了提高机器学习系统的质量，有必要对机器学习系统进行测试。测试数据生成是软件测试技术的重要组成部分。目前，软件测试中的测试数据主要依靠人工创建，这是一项费时费力的工作，将严重延长测试周期，增加测试成本。测试数据的自动生成可以有效地解决上述问题，提高软件测试的整体效率。

目前大数据背景下机器学习系统测试数据获取的主流方法是仿真数据生成技术，如用于Web搜索引擎自动测试数据生成方法，基于遗传算法的测试数据生成方法和基于改进鱼群算法的路径测试数据生成方法等，都是针对传统的软件测试技术，自动化生成满足需求的测试用例数据。传统的数据生成技术，主要是针对传统软件测试中测试数据尽可能少以及测试基准数据应该覆盖更广泛的业务类型两个基本要求进行测试用例生成，近年来大数据的发展促使一些大规模仿真数据生成方法与工具软件不断涌现，如MUDD(Multi-dimensional Data Generator)、QAGen(Query-aware Generator)、DSGen(DecisionSupport Generator)等。在机器学习系统测试数据生成领域，主要包括基于模糊的测试数据生成和基于对抗生成网络的测试数据生成。2018年，Guo提出了DLFuzz，它在块覆盖率的指导下生成对抗性测试数据。2019年，Xie提出了DeepHunter，它使用基于变形变换的覆盖引导模糊技术，并通过更细粒度的变异策略生成测试数据。2014年，Goodfellow提出了一种新的生成对抗网络模型，它可以通过判别器和生成器的博弈过程生成新的数据样本。目前利用生成对抗网络进行测试图像数据生成的研究有了一些初步的结果，但是目前的方法大多没有考虑真实图像和生成图像之间的相似性或者图像的细粒度特征。

发明内容

目前的方法大多没有考虑真实图像和生成图像之间的相似性或者图像的细粒度特征，导致生成的图像数据逼真度有待提升，本发明的发明人发现，利用孪生网络对图像之间的相似性进行学习，构建对抗生成模型，生成的测试图像更为逼真，因此，本发明提供一种基于孪生网络的对抗生成模型的测试数据生成方法。

本发明提供的一种基于孪生网络的对抗生成模型的测试数据生成方法，包括：

步骤1：构建一个对抗生成模型，包括生成器和判别器，所述判别器由一个孪生网络构成；

步骤2：训练所述对抗生成模型，具体为：

步骤2.1：获取由真实图像组成的样本集合，并利用所述生成器将输入的随机噪声转换为生成图像；

步骤2.2：将获取的真实图像和所述生成器输出的生成图像分别作为所述判别器的输入，并使用对比损失函数训练所述判别器；

步骤2.3：保持所述判别器的参数不变，将生成图像的标签设置为真实图像的标签，再次将更改标签后的生成图像送入所述判别器进行判断；

步骤2.4：将所述判别器的判别结果的误差进行反向传播以指导所述生成器的训练；