优化无人驾驶系统仿真模糊测试.pdf

计算机研究与发展 DOI：10.7544/issn1000-1239.p “面向无人驾驶系统的仿真模糊测试：现状、挑战与展望”评述 60（7）：1431−1431，2023   优化无人驾驶系统仿真模糊测试 沈学民 （滑铁卢大学　加拿大安大略省滑铁卢市）   无人驾驶系统的安全测试主要包括仿真测试和实景道路测试. 其中，仿真测试因其支持灵活 配置虚拟驾驶场景而受到广泛关注. 仿真测试的核心挑战在于，如何在庞大的虚拟场景配置空间 中搜索和发现容易导致安全事故的场景. 将模糊测试技术与仿真测试相结合，构建面向无人驾驶 系统的仿真模糊测试技术是解决上述挑战的潜在方案之一. 复旦大学的杨珉教授团队撰写的“面向无人驾驶系统的仿真模糊测试：现状、挑战与展望”一 文介绍了无人驾驶系统仿真模糊测试的基本架构，并梳理了此架构下的关键模块. 针对事故挖掘 场景，该文剖析了各关键模块所面临的设计挑战，给出了对应的优化思路，并在主流无人驾驶系 统上进行了可行性实验论证. 具体来说，该文包含以下3个主要贡献： 1. 提出了一种高质量种子场景的自动化构建方法，通过引入真实世界中车辆和行人的轨迹数 据，自动化地构建了高质量的种子场景，解决了依赖个人经验的手工生成方式导致的种子场景质 量不高的问题. 在Apollo 系统上的测试结果表明，该种子场景构建方法在事故挖掘能力方面相较 于现有工作最少提升了203%. 2. 提出了一套基于事故主体和事故特性的分类体系，通过对挖掘到的大量事故场景进行相似 性聚类，实现了准确的事故分类，同时避免了不必要的分析开销. 在涉及50种事故类型的500例 事故场景的分类任务中，该体系的分类准确率远高于现有方案AutoFuzz. 3. 提出了一种定制化的事故归因分析方法，通过实时地监控比对仿真场景中各元素的状态与 无人驾驶系统的模块执行信息，有效识别事故主责模块. 实验结果表明，在50个事故场景中，该方 法能正确地分析出其中44个缺陷所在的功能模块，平均用时0.05小时，相比人工分析的平均用 时4.4小时，显著提高了事故归因效率. 仿真模糊测试对提升无人驾驶系统的安全性至关重要，而一套优秀的仿真模糊测试方法体 系的形成往往需要经历长时间的研究与实践. 其原因是，对仿真模糊测试架构进行模块化拆解， 需要深入理解仿真测试与模糊测试的关系和互相作用. 而针对各模块分别提出合理的优化方案， 则需要系统性地掌握包括模糊测试、代码分析、编译优化、数据挖掘等在内的一系列基础知识. 该 文对无人驾驶系统仿真模糊测试进行了深刻而全面的阐述，走出了具有启发性的一步. 这是源于 作者团队过去10余年在软件应用程序漏洞挖掘与分析方面的长期探索和积累. 我相信，随着无人 驾驶系统安全测试领域的不断发展，该文在学术研究和产业实践方面将会起到越来越重要的指 引和推动作用.   评述专家：      沈学民，IEEE通信学会主席，IEEE Fellow, 加拿大滑铁卢大学杰出教授，加拿大工程院院士，加拿大工程研究院院 士，加拿大皇家科学院院士，中国工程院外籍院士. 主要研究方向为无线通信网和车联网等.   亮点论文： 戴嘉润，李忠睿，张婉琪，张源，杨珉. 面向无人驾驶系统的仿真模糊测试：现状、挑战与展望[J]. 计算机研究与发展，2023， 60（7）：1433−1447. DOI: 10.7544/issn1000-1239.202330156