面向分布式并行AI程序验证的导向式神经符号随机执行

分布式并行人工智能（AI）程序暴露出传统测试无法弥合的可靠性缺口：并行执行是非确定性的，而AI工作负载带来高维输入和非线性运算，使模糊测试与符号执行各自单独失效。我们提出导向式神经符号随机执行（DNSSE），一个混合测试框架，将大语言模型（LLM）引导的调度预测与符号约束求解及覆盖引导的随机变异相结合。我们将分布式AI执行建模为非确定性转移系统，用线性时序逻辑规约正确性，并证明混合求解器的可靠性、有界完备性与概率完备性，同时对LLM引导的调度探索给出期望成本分析。基于PyTorch与Ray的可扩展实现比最强基线多检测出2.9%的并发缺陷，并在五个真实分布式AI基准上将平均分支覆盖率从68.6%提升至91.6%。