一种神经网络模糊测试种子选择与抗扰动突变方法

本发明涉及一种神经网络模糊测试种子选择与抗扰动突变方法，包括不确定性评估、冗余消除、混合突变和动态排序四个阶段。本发明通过覆盖‑不确定性联合优化的种子选择模型与梯度‑对抗混合突变策略，显著提升了深度神经网络模糊测试的效率与缺陷发现能力；解决了现有覆盖率引导模糊测试中种子选择缺乏方向性、冗余样本过多以及突变策略与覆盖目标脱节的问题。与现有最先进方法相比，本发明在神经元覆盖、k‑多段神经元覆盖、神经元边界覆盖、强神经元激活覆盖和顶层k神经元覆盖等五项指标上的覆盖率平均提高4.56%～18.53%，其中在LeNet1模型上SNAC提升22.95%，揭示了更多决策边界违规行为。