تولید خودکار داده آزمون در فازرهای قالب فایل

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 2,261

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_PADSA-8-1_001

تاریخ نمایه سازی: 19 مرداد 1399

چکیده مقاله:

 آزمون فازی یک فن آزمون پویای نرم افزار است. در این فن با تولید ورودی های بدشکل و تزریق پی در پی آن ها به نرم افزار تحت آزمون، دنبال یافتن خطا ها و آسیب پذیری های احتمالی آن هستیم. ورودی اصلی بسیاری از نرم افزارهای دنیای واقعی فایل است. تعداد زیادی از داده های آزمون که برای آزمون فازی این نرم افزارها تولید می شوند در همان مراحل اولیه به علت نداشتن قالب مورد قبول، توسط پویش گر فایل برنامه رد می شوند. در نتیجه شاهد پوشش کم کد برنامه در روند آزمون فازی هستیم. استفاده از گرامر ساختار فایل برای تولید داده آزمون، منجربه افزایش پوشش کد می گردد، اما این گرامر معمولا به صورت دستی تهیه می شود که کاری زمان بر، پرهزینه و مستعد خطا است. در این مقاله روشی نو با استفاده از مدل های زبانی عصبی ژرف برای یادگیری خودکار ساختار فایل و سپس تولید و فاز داده های آزمون ارائه شده است. آزمایش های ما بهبود پوشش کد روش پیشنهادی را در مقایسه با دیگر روش های تولید داده آزمون نشان می دهد. برای نرم افزار MuPDF که قالب فایل پیچیده PDF را به عنوان ورودی می پذیرد، بیش از 30/1 تا 12 درصد بهبود پوشش کد را نسبت به روش های هوشمند و روش تصادفی داشته ایم.

نویسندگان

مرتضی ذاکری نصرآبادی

گروه نرم افزار، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران.

سعید پارسا

تهران، اتوبان رسالت، خیابان هنگام، دانشگاه علم و صنعت ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • B. P. Miller, L. Fredriksen, and B. So, An empirical ...
  • B. P. Miller et al., Fuzz revisited: a  re-examination of ...
  • J. E. Forrester and B. P. Miller, An empirical study ...
  • B. P. Miller, G. Cooksey, and F. Moore, An empirical ...
  • G. Evron and N. Rathaus, Open source fuzzing tools, 2007. ...
  • S. Rawat, V. Jain, A. Kumar, L. Cojocar, C. Giuffrida, ...
  • M. Zalewsky, American fuzzy lop, [Online]. Available: http://lcamtuf.coredump.cx/afl/. [Accessed: 11-Oct-2017]. ...
  • P. Godefroid, H. Peleg, and R. Singh, Learn&Fuzz: machine learning ...
  • I. Sutskever, O. Vinyals, and Q. V Le, Sequence to ...
  • K. Cho et al., Learning phrase representations using RNN encoder-decoder ...
  • D. Jurafsky and J. H. Martin, Speech and language processing ...
  • T. Mikolov, M. Karafiát, L. Burget, J. Cernocký, and S. ...
  • M. Sutton, A. Greene, and P. Amini, Fuzzing brute force ...
  • A. S. Incorporated, PDF reference, version 1.7, no. November, Adobe, ...
  • MuPDF, [Online]. Available: https://mupdf.com/. [Accessed: 27-Jul-2018]. 2018. ...
  • A. Takanen, J. D. Demott, and C. Miller, Fuzzing for ...
  • C. Chen, B. Cui, J. Ma, R. Wu, J. Guo, ...
  • A. Kettunen, Test harness for web browser fuzz testing, University ...
  • R. Mcnally, K. Yiu, and D. Grove, Fuzzing : the state ...
  • P. Godefroid, A. Kiezun, and M. Y. Levin, Grammar-based whitebox ...
  • S. M. Yaghoubi, Design and implementation fuzzer to determine web ...
  • S. Amini, Design and implementation of test data generation method ...
  • S. Rahimi and H. R. Panji, A novel approach for ...
  • P. Ammann and J. Offutt, Introduction to software testing, Cambridge: ...
  • E. Dubrova, Fault-tolerant design, Springer Publishing Company, Incorporated, 2013. ...
  • I. Goodfellow, Y. Bengio, and A. Courville, Deep learning, MIT ...
  • M. T. Luong, Neural machine translation, Stanford university, 2016. ...
  • T. Mikolov, Statistical language models based on neural networks, Brno ...
  • S. Hochreiter and J. Schmidhuber, Long short-term memory, Neural Comput., ...
  • F. Chollet and others, Keras. 2015.[M1]  ...
  • Tensorflow, Google Brain. [Online]. Available: https://www.tensorflow.org/. [Accessed: 20-Sep-2018]. ...
  • D. P. Kingma and J. Ba, Adam: a method for ...
  • Application verifier, Microsoft. [Online]. Available: https://docs.microsoft.com/en-us/windows-hardware/drivers/debugger/application-verifier. [Accessed: 18-Jul-2018]. ...
  • PDF test corpus from mozilla, [Online]. Available: https://github.com/mozilla/pdf.js/tree/master/test/pdfs. ...
  • I. Goodfellow et al., Generative adversarial nets, In Advances in ...
  • S. Parsa, H. Seifi, and M. H. Alaeian, Providing a ...
  • نمایش کامل مراجع