심층 신경망 (Deep neural networks)은 자율 주행 및 의료 진단과 같은 안전 필수 영역에 점점 더 많이 배치되고 있지만, 모델의 불투명하고 고차원적인 파라미터 공간으로 인해 보지 못한 입력(unseen inputs)에 대한 모델 신뢰성을 체계적으로 평가하기 어렵습니다. 기존의 DNN을 위한 커버리지 가이드 순차 퍼징 (coverage-guided sequential fuzzing) 프레임워크는 전통적인 소프트웨어 퍼징으로부터 유래된 '반복당 하나의 입력' 설계를 계승하며, 모든 입력 차원에 걸쳐 균일한 섭동 예산 (perturbation budgets)을 적용하여 테스트 처리량 (즉, 단위 시간당 처리되는 입력)과 입력 공간 탐색의 정밀도를 모두 제한합니다. 우리는 이러한 두 가지 한계를 모두 해결하는 적응형 섭동 스케일링 (adaptive perturbation scaling)을 갖춘 새로운 명세 인식 배치 퍼징 (specification-aware batch fuzzing) 프레임워크를 제시합니다. 고정된 전역 섭동 반경 epsilon에 의존하는 대신, 우리의 접근 방식은 공유 스케일 인자를 사용하여 명세로 정의된 허용 범위(하한과 상한 사이의 간격)로부터 변이 단계 크기 (mutation step sizes)를 도출합니다. 이 스케일링은 전역 스칼라 (등방성, isotropic) 또는 차원별 단계 크기 (비등방성, anisotropic)로 적용될 수 있으며, 섭동이 기저의 제약 구조와 일치하도록 유지합니다. 결과적으로, 퍼저는 배치 내의 모든 명세에 대해 이질적인 특징 스케일 (heterogeneous feature scales)을 가진 입력 공간을 더욱 효과적으로 탐색할 수 있습니다. 우리는 입력 제약 조건과 출력 속성 검사를 학습 불가능한 레이어 (non-trainable layers)로서 네트워크에 직접 임베딩하여, 단일 배치 반복에서 B개의 명세 인스턴스를 처리하는 래핑된 모델 (wrapped model)을 생성함으로써 퍼징 효율성과 반례 탐색 (counterexample exploration)을 실질적으로 개선했습니다. 우리는 TrafficSigns, Cifar100, TinyImageNet에 걸친 6개의 네트워크와 400개 이상의 명세를 포함하는 세 가지 벤치마크에서 우리의 프레임워크를 광범위하게 평가합니다. 우리의 텐서 기반 퍼징은 동일한 시간 예산 하에서 순차적 베이스라인보다 최대 40배 높은 처리량과 4배 더 많은 위반 (violations)을 달성하며, 명세 가이드 퍼징 (specification-guided fuzzing)에서 현저히 향상된 효과를 입증합니다.