12)把節(jié)裝入到vmm的地址空間,；(13)可選頭部的sizeofcode域取值不正確,；(14)含有可疑標(biāo)志。此外,，惡意軟件和良性軟件間以下格式特征也存在明顯的統(tǒng)計(jì)差異：(1)證書(shū)表是軟件廠商的可認(rèn)證的聲明,，惡意軟件很少有證書(shū)表，而良性軟件大部分都有軟件廠商可認(rèn)證的聲明,；(2)惡意軟件的調(diào)試數(shù)據(jù)也明顯小于正常文件的,，這是因?yàn)閻阂廛浖�為了增加調(diào)試的難度，很少有調(diào)試數(shù)據(jù),；(3)惡意軟件4個(gè)節(jié)(.text,、.rsrc、.reloc和.rdata)的characteristics屬性和良性軟件的也有明顯差異,，characteristics屬性通常**該節(jié)是否可讀,、可寫(xiě)、可執(zhí)行等，部分惡意軟件的代碼節(jié)存在可寫(xiě)異常,，只讀數(shù)據(jù)節(jié)和資源節(jié)存在可寫(xiě),、可執(zhí)行異常等；(4)惡意軟件資源節(jié)的資源個(gè)數(shù)也明顯少于良性軟件的,，如消息表,、組圖表,、版本資源等，這是因?yàn)閻阂廛浖�很少使用圖形界面資源,，也很少有版本信息,。pe文件很多格式屬性沒(méi)有強(qiáng)制限制,，文件完整性約束松散,，存在著較多的冗余屬性和冗余空間，為pe格式惡意軟件的傳播和隱藏創(chuàng)造了條件,。此外,，由于惡意軟件為了方便傳播和隱藏，盡一切可能的減小文件大小,，文件結(jié)構(gòu)的某些部分重疊,，同時(shí)對(duì)一些屬性進(jìn)行了特別設(shè)置以達(dá)到anti-dump、anti-debug或抗反匯編,。艾策檢測(cè)為新能源汽車(chē)電池提供安全性能深度解析,。合肥第三方軟件測(cè)試

    生成取值表。3把取值表與選擇的正交表進(jìn)行映射控件數(shù)Ln(取值數(shù))3個(gè)控件5個(gè)取值5的3次冪混合正交表當(dāng)控件的取值數(shù)目水平不一致時(shí)候,，使用allp**rs工具生成1等價(jià)類(lèi)劃分法劃分值2邊界值分析法邊界值3錯(cuò)誤推斷法經(jīng)驗(yàn)4因果圖分析法關(guān)系5判定表法條件和結(jié)果6流程圖法流程路徑梳理7場(chǎng)景法主要功能和業(yè)務(wù)的事件8正交表先關(guān)注主要功能和業(yè)務(wù)流程，業(yè)務(wù)邏輯是否正確實(shí)現(xiàn),，考慮場(chǎng)景法需要輸入數(shù)據(jù)的地方，考慮等價(jià)類(lèi)劃分法+邊界值分析法,，發(fā)現(xiàn)程序錯(cuò)誤的能力**強(qiáng)存在輸入條件的組合情況,，考慮因果圖判定表法多種參數(shù)配置組合情況,，正交表排列法采用錯(cuò)誤推斷法再追加測(cè)試用例。需求分析場(chǎng)景法分析主要功能輸入的等價(jià)類(lèi)邊界值輸入的各種組合因果圖判定表多種參數(shù)配置正交表錯(cuò)誤推斷法經(jīng)驗(yàn)軟件缺陷軟件產(chǎn)品中存在的問(wèn)題,，用戶(hù)所需要的功能沒(méi)有完全實(shí)現(xiàn),。重慶第三方軟件測(cè)試公司深圳艾策信息科技：賦能中小企業(yè)的數(shù)字化未來(lái)。

    后端融合模型的10折交叉驗(yàn)證的準(zhǔn)確率是％，對(duì)數(shù)損失是,，混淆矩陣如圖13所示，規(guī)范化后的混淆矩陣如圖14所示,。后端融合模型的roc曲線如圖15所示，其顯示后端融合模型的auc值為,。(6)中間融合中間融合的架構(gòu)如圖16所示,，中間融合方式用深度神經(jīng)網(wǎng)絡(luò)從三種模態(tài)的特征分別抽取高等特征表示，然后合并學(xué)習(xí)得到的特征表示,，再作為下一個(gè)深度神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練模型,，隱藏層的***函數(shù)為relu,，輸出層的***函數(shù)是sigmoid,，中間使用dropout層進(jìn)行正則化，防止過(guò)擬合,，優(yōu)化器(optimizer)采用的是adagrad,，batch_size是40。圖16中,，用于抽取dll和api信息特征視圖的深度神經(jīng)網(wǎng)絡(luò)包含3個(gè)隱含層，其***個(gè)隱含層的神經(jīng)元個(gè)數(shù)是128,，第二個(gè)隱含層的神經(jīng)元個(gè)數(shù)是64，第三個(gè)隱含層的神經(jīng)元個(gè)數(shù)是32,，且3個(gè)隱含層中間間隔設(shè)置有dropout層,。用于抽取格式信息特征視圖的深度神經(jīng)網(wǎng)絡(luò)包含2個(gè)隱含層，其***個(gè)隱含層的神經(jīng)元個(gè)數(shù)是64,，其第二個(gè)隱含層的神經(jīng)元個(gè)數(shù)是32,，且2個(gè)隱含層中間設(shè)置有dropout層。用于抽取字節(jié)碼n-grams特征視圖的深度神經(jīng)網(wǎng)絡(luò)包含4個(gè)隱含層,，其***個(gè)隱含層的神經(jīng)元個(gè)數(shù)是512,，第二個(gè)隱含層的神經(jīng)元個(gè)數(shù)是384，第三個(gè)隱含層的神經(jīng)元個(gè)數(shù)是256,，第四個(gè)隱含層的神經(jīng)元個(gè)數(shù)是125,。

    比黑盒適用性廣的優(yōu)勢(shì)就凸顯出來(lái)了。[5]軟件測(cè)試方法手動(dòng)測(cè)試和自動(dòng)化測(cè)試自動(dòng)化測(cè)試,，顧名思義就是軟件測(cè)試的自動(dòng)化,，即在預(yù)先設(shè)定的條件下運(yùn)行被測(cè)程序,，并分析運(yùn)行結(jié)果�,？偟膩�(lái)說(shuō)，這種測(cè)試方法就是將以人驅(qū)動(dòng)的測(cè)試行為轉(zhuǎn)化為機(jī)器執(zhí)行的一種過(guò)程,。對(duì)于手動(dòng)測(cè)試,，其在設(shè)計(jì)了測(cè)試用例之后，需要測(cè)試人員根據(jù)設(shè)計(jì)的測(cè)試用例一步一步來(lái)執(zhí)行測(cè)試得到實(shí)際結(jié)果,，并將其與期望結(jié)果進(jìn)行比對(duì),。[5]軟件測(cè)試方法不同階段測(cè)試編輯軟件測(cè)試方法單元測(cè)試單元測(cè)試主要是對(duì)該軟件的模塊進(jìn)行測(cè)試,，通過(guò)測(cè)試以發(fā)現(xiàn)該模塊的實(shí)際功能出現(xiàn)不符合的情況和編碼錯(cuò)誤,。由于該模塊的規(guī)模不大，功能單一,，結(jié)構(gòu)較簡(jiǎn)單,，且測(cè)試人員可通過(guò)閱讀源程序清楚知道其邏輯結(jié)構(gòu)，首先應(yīng)通過(guò)靜態(tài)測(cè)試方法,，比如靜態(tài)分析,、代碼審查等，對(duì)該模塊的源程序進(jìn)行分析,，按照模塊的程序設(shè)計(jì)的控制流程圖,，以滿(mǎn)足軟件覆蓋率要求的邏輯測(cè)試要求。另外,，也可采用黑盒測(cè)試方法提出一組基本的測(cè)試用例，再用白盒測(cè)試方法進(jìn)行驗(yàn)證,。若用黑盒測(cè)試方法所產(chǎn)生的測(cè)試用例滿(mǎn)足不了軟件的覆蓋要求,，可采用白盒法增補(bǔ)出新的測(cè)試用例，以滿(mǎn)足所需的覆蓋標(biāo)準(zhǔn),。其所需的覆蓋標(biāo)準(zhǔn)應(yīng)視模塊的實(shí)際具體情況而定,。滲透測(cè)試報(bào)告暴露2個(gè)高危API接口需緊急加固,。

    在不知道多長(zhǎng)的子序列能更好的表示可執(zhí)行文件的情況下,，只能以固定窗口大小在字節(jié)碼序列中滑動(dòng),，產(chǎn)生大量的短序列，由機(jī)器學(xué)習(xí)方法選擇可能區(qū)分惡意軟件和良性軟件的短序列作為特征,，產(chǎn)生短序列的方法叫n-grams�,！�080074ff13b2”的字節(jié)碼序列，如果以3-grams產(chǎn)生連續(xù)部分重疊的短序列,，將得到“080074”,、“0074ff”、“74ff13”,、“ff13b2”四個(gè)短序列。每個(gè)短序列特征的權(quán)重表示有多種方法,。**簡(jiǎn)單的方法是如果該短序列在具體樣本中出現(xiàn)，就表示為1,；如果沒(méi)有出現(xiàn)，就表示為0,，也可以用。本實(shí)施例采用3-grams方法提取特征,，3-grams產(chǎn)生的短序列非常龐大,，將產(chǎn)生224＝(16,777,216)個(gè)特征，如此龐大的特征集在計(jì)算機(jī)內(nèi)存中存儲(chǔ)和算法效率上都是問(wèn)題,。如果短序列特征的tf較小,，對(duì)機(jī)器學(xué)習(xí)可能沒(méi)有意義，選取了tf**高的5000個(gè)短序列特征,，計(jì)算每個(gè)短序列特征的，每個(gè)短序列特征的權(quán)重是判斷其所在軟件樣本是否為惡意軟件的依據(jù),，也是區(qū)分每個(gè)軟件樣本的依據(jù)。(4)前端融合前端融合的架構(gòu)如圖4所示,，前端融合方式將三種模態(tài)的特征合并,，然后輸入深度神經(jīng)網(wǎng)絡(luò)，隱藏層的***函數(shù)為relu,，輸出層的***函數(shù)是sigmoid,，中間使用dropout層進(jìn)行正則化，防止過(guò)擬合,，優(yōu)化器,。創(chuàng)新光譜分析技術(shù)賦能艾策檢測(cè)，實(shí)現(xiàn)食品藥品中微量有害物質(zhì)的超痕量檢測(cè),。重慶第三方軟件測(cè)試公司

云計(jì)算與 AI 融合：深圳艾策的創(chuàng)新解決方案,。合肥第三方軟件測(cè)試

    且4個(gè)隱含層中間間隔設(shè)置有dropout層,。用于輸入合并抽取的高等特征表示的深度神經(jīng)網(wǎng)絡(luò)包含2個(gè)隱含層,，其***個(gè)隱含層的神經(jīng)元個(gè)數(shù)是64，第二個(gè)神經(jīng)元的隱含層個(gè)數(shù)是10,，且2個(gè)隱含層中間設(shè)置有dropout層,。且所有dropout層的dropout率等于,。本次實(shí)驗(yàn)使用了80％的樣本訓(xùn)練，20％的樣本驗(yàn)證,，訓(xùn)練50個(gè)迭代以便于找到較優(yōu)的epoch值。隨著迭代數(shù)的增加,，中間融合模型的準(zhǔn)確率變化曲線如圖17所示,，模型的對(duì)數(shù)損失變化曲線如圖18所示。從圖17和圖18可以看出,，當(dāng)epoch值從0增加到20過(guò)程中,，模型的訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率快速提高，模型的訓(xùn)練對(duì)數(shù)損失和驗(yàn)證對(duì)數(shù)損失快速減少,；當(dāng)epoch值從30到50的過(guò)程中,，中間融合模型的訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率基本保持不變，訓(xùn)練對(duì)數(shù)損失緩慢下降,；綜合分析圖17和圖18的準(zhǔn)確率和對(duì)數(shù)損失變化曲線，選取epoch的較優(yōu)值為30,。確定模型的訓(xùn)練迭代數(shù)為30后,，進(jìn)行了10折交叉驗(yàn)證實(shí)驗(yàn),。中間融合模型的10折交叉驗(yàn)證的準(zhǔn)確率是％,，對(duì)數(shù)損失是,，混淆矩陣如圖19所示，規(guī)范化后的混淆矩陣如圖20所示,。中間融合模型的roc曲線如圖21所示,，auc值為，已經(jīng)非常接近auc的**優(yōu)值1,。(7)實(shí)驗(yàn)結(jié)果比對(duì)為了綜合評(píng)估本實(shí)施例提出融合方案的綜合性能,。合肥第三方軟件測(cè)試