公开(公告)号：CN119645838A

公开(公告)日：2025-03-18

申请号：CN202411631426.7

申请日：2024-11-15

Applicant: 浙江大学

Inventor： 纪守领 ,  张凌铭 ,  赵彬彬 ,  陈建海 ,  王滨 ,  许光全 ,  王伟 ,  伍一鸣

IPC: G06F11/3668 ,  G06F9/30

Abstract: 本发明提出了一种面向WebAssembly运行时的语义感知模糊测试用例生成方法和系统，属于软件模糊测试技术领域。包括：定义栈不变代码转换策略，维护测试用例转换前后代码的语义有效性；基于栈不变代码转换策略，采用下述方式一、方式二、或者方式一和方式二的组合生成测试用例用于模糊测试；方式一为：采取有趣值突变、操作符突变、片段拼接、控制流嵌套、跳转目标突变和调用目标突变中的一种或多种组合的转换方式从既有测试用例生成新测试用例；方式二为：根据基于控制流骨架的生成算法扩充既有测试用例。本发明能有效生成符合语义规范并且在控制流和数据流上多元化的测试用例，帮助模糊测试探索深层执行逻辑和提升漏洞挖掘效率。

公开(公告)号：CN119475331A

公开(公告)日：2025-02-18

申请号：CN202411415976.5

申请日：2024-10-11

Applicant: 浙江大学

Inventor： 纪守领 ,  冯周 ,  蒲誉文 ,  陈佳豪 ,  巫英才 ,  王滨 ,  许光全 ,  王伟

IPC: G06F21/56 ,  G06F18/214 ,  G06F18/2431 ,  G06F18/27 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种无辅助数据依赖的鲁棒后门防御方法和系统，属于深度学习模型安全和人工智能防御技术领域。本发明通过对抗扰动分析后门注入与样本污染之间的内在关系，从有毒数据集中初步隔离干净样本和污染样本；在选定的干净样本上进行反向学习和重新学习，训练得到增强中毒模型；通过增强中毒模型精确识别污染样本和干净样本，并基于干净样本进行模型训练，最终获得无后门的鲁棒模型，最后对污染样本重新标注并用于无后门的鲁棒模型的微调，进一步提升模型的鲁棒性。本发明不依赖任何辅助干净数据集，并能有效抵御多种后门攻击，同时保持模型的高精度。本发明填补了现有技术在无辅助数据条件下进行鲁棒后门防御模型训练的空缺。