深度学习技术凭其高准确性在人工智能领域,如计算机视觉、自然语言处理等方面取得突破性成就并迅速占领市场,其自身质量也越来越受到人们的关注。深度学习算子作为深度学习模型的重要组件,负责处理具体任务执行时的高维数据。算子准确与否是保证深度学习模型准确的关键,但目前却缺乏有效手段来验证算子结果是否准确。算子测试能够在回避复杂的深度学习模型带来的困扰的同时,验证深度学习算子质量,因此亟需提出有效的测试技术衡量算子性能。本文提出一种基于差分模糊测试的深度学习算子测试框架对深度学习算子进行测试。该技术视不同框架上运行的同类算子为不同实例,在模糊测试过程中,首先选择种子以初始化语料库,并从语料库中随机选择样本作为原始输入。利用马尔可夫链——蒙特卡洛算法从变异方法中选择合适方法对原始输入进行变异,结合能量函数控制变异过程,生成一定数量的变异输入,实现算子测试的输入扩增。在差分测试过程中,将变异输入提交给不同算子实例进行处理,获取输出结果。利用Lk范数距离计算算子实例输出结果差异,将差异超过设定阈值的情况视为触发算子潜在异常。并将触发算子异常的变异输入反馈回语料库以动态维护语料库,引导测试人员探索算子潜在异常。从而不断验证深度学习算子异常,提高深度学习测试效率。同时,为本差分模糊测试结合的算子测试框架开发出一个名为DifFuzz的工具来实现本框架对深度学习算子的测试。本文在TensorFlow、PyTorch和Caffe三个常用深度学习发框架上,以8种常用的深度学习算子作为测试对象,开展实验。实验结果表明,基于差分模糊测试的深度学习算子测试框架能够有效引导深度学习算子触发新异常,而且卷积算子触发的异常在这这些算子中是最大的。面向测试人员的问卷调查结果显示,测试人员对DifFuzz测试工具的使用体验满意度达到70%。