[發明專利]一種測試樣本生成方法及裝置

在審

• 申請號: 202010082531.5
• 申請日: 2020-02-07
• 公開（公告）號: CN111258909A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 馬金鑫;張利;吳潤浦;王欣;陳晨
• 申請（專利權）人: 中國信息安全測評中心
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 張靜

1.一種測試樣本生成方法，其特征在于，包括：

將目標樣本輸入基于強化學習的有效變異位置預測模型，得到所述基于強化學習的有效變異位置預測模型輸出的變異位置，所述基于強化學習的有效變異位置預測模型為利用訓練樣本、所述訓練樣本的不同變異位置及表征所述訓練樣本的不同變異位置的有效性的指標訓練得到的；

對所述目標樣本中位于所述變異位置的字符進行變異，并將所述目標樣本中變異后的字符及所述變異后的字符之后的字符作為片段，將所述片段輸入基于深度學習的測試樣本生成模型，得到所述基于深度學習的測試樣本生成模型輸出的測試樣本；

所述基于深度學習的測試樣本生成模型為利用不同語法格式的訓練樣本作為輸入，滿足設定語法格式的訓練樣本作為輸出訓練得到的。

2.根據權利要求1所述的方法，其特征在于，所述基于強化學習的有效變異位置預測模型的訓練過程，包括：

初始化DDPG模型；

將訓練樣本輸入所述DDPG模型，得到所述DDPG模型輸出的變異位置，對所述訓練樣本中位于所述DDPG模型輸出的變異位置的字符進行變異，并將所述訓練樣本中變異后的字符及所述變異后的字符作為訓練片段；

將所述訓練片段輸入基于深度學習的測試樣本生成模型，得到所述基于深度學習的測試樣本生成模型輸出的測試樣本，作為目標測試樣本；

基于處理器跟蹤的程序控制流提取與分析技術，跟蹤所述目標測試樣本的執行過程，得到所述目標測試樣本的執行路徑；

分析所述執行路徑距離設定脆弱點的長度；

利用所述執行路徑距離設定脆弱點的長度，更新所述DDPG模型的參數，并返回執行所述將訓練樣本輸入所述DDPG模型的步驟，直至在達到設定條件時停止訓練，將訓練完成的DDPG模型作為基于強化學習的有效變異位置預測模型。

3.根據權利要求2所述的方法，其特征在于，所述基于處理器跟蹤的程序控制流提取與分析技術為基于IPT的程序控制流提取與分析技術。

4.根據權利要求1-3任意一項所述的方法，其特征在于，所述基于深度學習的測試樣本生成模型為多層BLSTM模型與注意力機制結合得到的模型。

5.根據權利要求4所述的方法，其特征在于，所述多層BLSTM模型與注意力機制結合得到的模型，包括：

n層BLSTM模型和n個注意力機制模塊，且每層BLSTM模型匹配一個注意力機制模塊，每層BLSTM模型匹配的注意力機制模塊各不相同，所述n為大于1的整數；

其中，第i層BLSTM模型的輸出作為與所述i層BLSTM模型匹配的第i個注意力機制模塊的輸入，與所述i層BLSTM模型匹配的第i個注意力機制模塊的輸出作為第i+1層BLSTM模型的輸入，所述i為{1,2，…，n}中的任意一個數。

6.根據權利要求1所述的方法，其特征在于，所述將所述片段輸入基于深度學習的測試樣本生成模型，得到所述基于深度學習的測試樣本生成模型輸出的測試樣本，包括：

將所述片段輸入基于深度學習的測試樣本生成模型，得到所述基于深度學習的測試樣本生成模型輸出的下一個字符的分布概率；

從所述下一個字符的分布概率中隨機采樣出一個概率，作為第一概率，并生成一個隨機數，所述隨機數大于0且小于1；

若所述隨機數大于預先設定的變異概率閾值且所述第一概率大于預先設定的置信度閾值，則將所述下一個字符的分布概率中最小概率對應的字符作為待輸出字符，并輸出所述待輸出字符；

判斷所述待輸出字符是否為結尾字符；

若否，返回執行所述將所述片段輸入基于深度學習的測試樣本生成模型，得到所述基于深度學習的測試樣本生成模型輸出的下一個字符的分布概率的步驟；

若是，將各個所述待輸出字符組合，得到測試樣本。