論文の概要: Mutation-Based Deep Learning Framework Testing Method in JavaScript Environment

• arxiv url: http://arxiv.org/abs/2409.14968v1
• Date: Mon, 23 Sep 2024 12:37:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-26 15:15:39.767519
• Title: Mutation-Based Deep Learning Framework Testing Method in JavaScript Environment
• Title（参考訳）: JavaScript環境における突然変異に基づくディープラーニングフレームワークテスト手法
• Authors: Yinglong Zou, Juan Zhai, Chunrong Fang, Jiawei Liu, Tao Zheng, Zhenyu Chen,
• Abstract要約: そこで本研究では,DLJSFuzzerという変異ベースのJavaScript DLフレームワークテスティング手法を提案する。 DLJSFuzzerは21のユニークなクラッシュと126のNaN & Inconsistencyバグを正常に検出する。 DLJSFuzzerはモデル生成効率が47%以上、バグ検出効率が91%以上改善されている。
• 参考スコア（独自算出の注目度）: 16.67312523556796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, Deep Learning (DL) applications in JavaScript environment have become increasingly popular. As the infrastructure for DL applications, JavaScript DL frameworks play a crucial role in the development and deployment. It is essential to ensure the quality of JavaScript DL frameworks. However, the bottleneck of limited computational resources in the JavaScript environment brings new challenges to framework testing. Specifically, JavaScript DL frameworks are equipped with various optimization mechanisms (e.g., cache reuse, inference acceleration) to overcome the bottleneck of limited computational resources. These optimization mechanisms are overlooked by existing methods, resulting in many bugs in JavaScript DL frameworks being missed. To address the above challenges, we propose a mutation-based JavaScript DL framework testing method named DLJSFuzzer. DLJSFuzzer designs 13 tensor mutation rules targeting the cache reuse mechanism to generate test input tensors. Besides, DLJSFuzzer designs eight model mutation rules targeting the inference acceleration mechanism to generate test input models. To evaluate the effectiveness of DLJSFuzzer, we conduct experiments on the most widely-used JavaScript DL framework, TensorFlow.js. The experimental results show that DLJSFuzzer outperforms state-of-the-art methods in both effectiveness and efficiency. DLJSFuzzer successfully detects 21 unique crashes and 126 unique NaN & Inconsistency bugs. All detected crashes have been reported to the open-source community, with 12 of them already confirmed by developers. Additionally, DLJSFuzzer has improved by over 47% in model generation efficiency and over 91% in bug detection efficiency compared to all baselines.
• Abstract（参考訳）: 近年,JavaScript環境におけるディープラーニング(DL)アプリケーションの人気が高まっている。 DLアプリケーションの基盤として、JavaScript DLフレームワークは、開発とデプロイメントにおいて重要な役割を果たす。 JavaScript DLフレームワークの品質を保証することが不可欠です。 しかし、JavaScript環境における限られた計算リソースのボトルネックは、フレームワークテストに新たな課題をもたらします。 具体的には、JavaScript DLフレームワークは、限られた計算リソースのボトルネックを克服するために、様々な最適化メカニズム(キャッシュ再利用、推論アクセラレーションなど)を備えている。 これらの最適化メカニズムは既存のメソッドによって見落とされ、JavaScript DLフレームワークの多くのバグが見逃されている。 以上の課題に対処するために、DLJSFuzzerという変異ベースのJavaScript DLフレームワークテスティング手法を提案する。 DLJSFuzzerは、キャッシュ再利用機構をターゲットにした13のテンソル突然変異ルールを設計し、テスト入力テンソルを生成する。 さらにDLJSFuzzerは、推論アクセラレーションメカニズムをターゲットにした8つのモデル変異ルールを設計し、テスト入力モデルを生成する。 DLJSFuzzerの有効性を評価するために、最も広く使われているJavaScript DLフレームワークTensorFlow.jsで実験を行った。 実験の結果,DLJSFuzzerは最先端の手法よりも有効性と効率性が高いことがわかった。 DLJSFuzzerは21のユニークなクラッシュと126のNaN & Inconsistencyバグを正常に検出する。 検出されたすべてのクラッシュはオープンソースコミュニティに報告されており、そのうち12がすでに開発者によって確認されている。 さらに、DLJSFuzzerはモデル生成効率が47%以上、バグ検出効率が91%以上改善された。

関連論文リスト

• A Tale of Two DL Cities: When Library Tests Meet Compiler [12.751626834965231]
  DLライブラリのテスト入力からドメイン知識を抽出するOPERAを提案する。 OPERAはDLライブラリの様々なテストインプットから様々なテストを構築する。 多様性に基づくテストの優先順位付け戦略を取り入れて、これらのテストインプットを移行し実行します。
  論文  参考訳（メタデータ） (2024-07-23T16:35:45Z)
• FV8: A Forced Execution JavaScript Engine for Detecting Evasive Techniques [53.288368877654705]
  FV8はJavaScriptコードの回避テクニックを特定するために設計された修正V8 JavaScriptエンジンである。 動的コードを条件付きで注入するAPI上でのコード実行を選択的に実施する。 1,443のnpmパッケージと、少なくとも1つのタイプのエスケープを含む164の(82%)拡張を識別する。
  論文  参考訳（メタデータ） (2024-05-21T19:54:19Z)
• MoCo: Fuzzing Deep Learning Libraries via Assembling Code [13.937180393991616]
  ディープラーニング技術は様々なアプリケーションシナリオを持つソフトウェアシステムに応用されている。 DLライブラリはDLシステムの基盤として機能し、その中のバグは予測不可能な影響をもたらす可能性がある。 そこで本研究では,組立コードによるDLライブラリのファジングテスト手法であるMoCoを提案する。
  論文  参考訳（メタデータ） (2024-05-13T13:40:55Z)
• JailbreakBench: An Open Robustness Benchmark for Jailbreaking Large Language Models [123.66104233291065]
  ジェイルブレイク攻撃は、大きな言語モデル(LLM)が有害、非倫理的、またはその他の不快なコンテンツを生成する原因となる。 これらの攻撃を評価することは、現在のベンチマークと評価テクニックの収集が適切に対処していない、多くの課題を提示します。 JailbreakBenchは、以下のコンポーネントを備えたオープンソースのベンチマークである。
  論文  参考訳（メタデータ） (2024-03-28T02:44:02Z)
• Theoretically Achieving Continuous Representation of Oriented Bounding Boxes [64.15627958879053]
  本論文は,オブジェクト指向境界ボックス表現における不連続性を完全に解決しようとする試みである。 本研究では,既存の検出器に容易に統合可能なCOBB(Continuous OBB)という新しい表現法を提案する。 OOD評価のためのオープンソースのディープラーニングフレームワークJittorの検出ツールボックスJDetをベースとした,モジュール化されたベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-29T09:27:40Z)
• DebugBench: Evaluating Debugging Capability of Large Language Models [80.73121177868357]
  DebugBench - LLM(Large Language Models)のベンチマーク。 C++、Java、Pythonの4つの主要なバグカテゴリと18のマイナータイプをカバーする。 ゼロショットシナリオで2つの商用および4つのオープンソースモデルを評価する。
  論文  参考訳（メタデータ） (2024-01-09T15:46:38Z)
• Static Semantics Reconstruction for Enhancing JavaScript-WebAssembly Multilingual Malware Detection [51.15122099046214]
  WebAssemblyを使うと、攻撃者は言語間の相互運用でJavaScriptマルウェアの悪意のある機能を隠せる。 JavaScriptとWebAssembly間の複雑な相互運用とセマンティックな多様性のため、JavaScript-WebAssemblyマルチ言語マルウェア(JWMM)の検出は難しい。 本稿では,JWMMの静的検出を高速化する最初の手法であるJWBinderを紹介する。
  論文  参考訳（メタデータ） (2023-10-26T10:59:45Z)
• A Static Evaluation of Code Completion by Large Language Models [65.18008807383816]
  単純なプログラミング問題に対するモデル生成コードの機能的正当性を評価するために,実行ベースベンチマークが提案されている。 プログラムを実行せずにエラーを検出するlinterのような静的解析ツールは、コード生成モデルを評価するために十分に研究されていない。 抽象構文木を利用して,Pythonのコード補完における静的エラーを定量化する静的評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-05T19:23:34Z)
• MEMO: Coverage-guided Model Generation For Deep Learning Library Testing [11.263121366956726]
  テスト入力としてDLモデルを生成することによって、ディープラーニング(DL)ライブラリをテストするためのいくつかの技術が提案されている。 しかし、これらの手法のテストの有効性は、生成されたDLモデルの多様性によって制約される。 本稿では,レイヤタイプ,層ペア,層パラメータを探索することにより,多様なDLモデルを効率的に生成するMEMOを提案する。
  論文  参考訳（メタデータ） (2022-08-02T14:53:02Z)
• Toward Understanding Deep Learning Framework Bugs [6.38591361654859]
  我々は4つの人気のある多種多様なDLフレームワークから1,000のバグについて大規模な調査を行っている。 我々は,DLフレームワークのバグの包括的理解と既存のDLフレームワークテストプラクティスの現状について,12の主要な知見を得た。 このガイドラインに基づいて、我々はTenFuzzと呼ばれるDLフレームワークテストツールのプロトタイプを設計、実装する。
  論文  参考訳（メタデータ） (2022-03-08T11:40:23Z)
• Montage: A Neural Network Language Model-Guided JavaScript Engine Fuzzer [18.908548472588976]
  私たちは、JSエンジンの脆弱性を見つけるための最初のNNLM誘導ファザであるMontageを紹介します。 Montage氏は最新のJSエンジンで3つのCVEを含む37の現実世界のバグを発見した。
  論文  参考訳（メタデータ） (2020-01-13T08:45:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。