一种面向深度神经网络的多目标黑盒测试用例选择方法

本发明公开了一种面向深度神经网络的多目标黑盒测试用例选择方法，包括多目标优化、搜索空间约减及等距分区优化，本发明旨在在给定的测试预算下，通过优化不确定性和多样性两个目标，为深度神经网络的测试选择尽可能多的能够检测出模型不同错误的测试输入，本发明通过评估DNN模型对测试输入的不确定性，仅保留原测试集中高不确定性的测试输入作为候选集；在后续选择中，本发明先采用等距分区的划分方式将候选集划分为大小相等且不确定性分布相似的子组，然后利用贪心策略迭代地从每个子组中选择一个最优的测试输入，所选输入不仅具备较强的触发错误能力，还能较大提升已选测试输入的多样性，本发明具有选择效率高和检测错误能力强的特点。