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,，用戶所需要的功能沒(méi)有完全實(shí)現(xiàn)。能耗評(píng)估顯示后臺(tái)服務(wù)耗電量超出行業(yè)基準(zhǔn)值42%,。深圳第三方軟件檢測(cè)報(bào)告電話

    [3]軟件測(cè)試方法原則編輯1.盡早不斷測(cè)試的原則應(yīng)當(dāng)盡早不斷地進(jìn)行軟件測(cè)試,。據(jù)統(tǒng)計(jì)約60%的錯(cuò)誤來(lái)自設(shè)計(jì)以前，并且修正一個(gè)軟件錯(cuò)誤所需的費(fèi)用將隨著軟件生存周期的進(jìn)展而上升,。錯(cuò)誤發(fā)現(xiàn)得越早,，修正它所需的費(fèi)用就越少。[4]測(cè)試用例由測(cè)試輸入數(shù)據(jù)和與之對(duì)應(yīng)的預(yù)期輸出結(jié)果這兩部分組成,。[4]3.**測(cè)試原則(1)**測(cè)試原則,。這是指軟件測(cè)試工作由在經(jīng)濟(jì)上和管理上**于開(kāi)發(fā)機(jī)構(gòu)的**進(jìn)行。程序員應(yīng)避*査自己的程序,，程序設(shè)計(jì)機(jī)構(gòu)也不應(yīng)測(cè)試自己開(kāi)發(fā)的程序,。軟件開(kāi)發(fā)者難以客觀、有效地測(cè)試自己的軟件,，而找出那些因?yàn)閷?duì)需求的誤解而產(chǎn)生的錯(cuò)誤就更加困難,。[4](2)合法和非合法原則。在設(shè)計(jì)時(shí),，測(cè)試用例應(yīng)當(dāng)包括合法的輸入條件和不合法的輸入條件,。[4](3)錯(cuò)誤群集原則。軟件錯(cuò)誤呈現(xiàn)群集現(xiàn)象,。經(jīng)驗(yàn)表明,，某程序段剩余的錯(cuò)誤數(shù)目與該程序段中已發(fā)現(xiàn)的錯(cuò)誤數(shù)目成正比，所以應(yīng)該對(duì)錯(cuò)誤群集的程序段進(jìn)行重點(diǎn)測(cè)試,。[4](4)嚴(yán)格性原則,。嚴(yán)格執(zhí)行測(cè)試計(jì)劃，排除測(cè)試的隨意性,。[4](5)覆蓋原則,。應(yīng)當(dāng)對(duì)每一個(gè)測(cè)試結(jié)果做***的檢查。[4](6)定義功能測(cè)試原則,。檢查程序是否做了要做的事*是成功的一半,，另一半是看程序是否做了不屬于它做的事。[4](7)回歸測(cè)試原則,。應(yīng)妥善保留測(cè)試用例。西安軟件檢測(cè)公司企業(yè)數(shù)字化轉(zhuǎn)型指南：艾策科技的實(shí)用建議,。

    先將訓(xùn)練樣本的dll和api信息特征視圖,、格式信息特征視圖以及字節(jié)碼n-grams特征視圖分別輸入至一個(gè)深度神經(jīng)網(wǎng)絡(luò)中抽取高等特征表示，然后合并抽取的高等特征表示并將其作為下一個(gè)深度神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行模型訓(xùn)練,，得到多模態(tài)深度集成模型,。進(jìn)一步的,，所述多模態(tài)深度集成模型的隱藏層的***函數(shù)采用relu，輸出層的***函數(shù)采用sigmoid,，中間使用dropout層進(jìn)行正則化,，優(yōu)化器采用adagrad。進(jìn)一步的,，所述訓(xùn)練得到的多模態(tài)深度集成模型中,，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，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,，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,，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，且2個(gè)隱含層中間設(shè)置有dropout層,；所述dropout層的dropout率均等于,。本發(fā)明實(shí)施例的有益效果是，提出了一種基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測(cè)方法,，應(yīng)用了多模態(tài)深度學(xué)習(xí)方法來(lái)融合dll和api,、格式結(jié)構(gòu)信息、字節(jié)碼n-grams特征,。

    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,；所述存在明顯的統(tǒng)計(jì)差異的格式結(jié)構(gòu)特征包括：(1)無(wú)證書(shū)表,；(2)調(diào)試數(shù)據(jù)明顯小于正常文件，(3).text,、.rsrc,、.reloc和.rdata的characteristics屬性異常，(4)資源節(jié)的資源個(gè)數(shù)少于正常文件,。進(jìn)一步的,，所述生成軟件樣本的字節(jié)碼n-grams特征視圖的具體實(shí)現(xiàn)過(guò)程如下：先從當(dāng)前軟件樣本的所有短序列特征中選取詞頻tf**高的多個(gè)短序列特征；然后計(jì)算選取的每個(gè)短序列特征的逆向文件頻率idf與詞頻tf的乘積,，并將其作為選取的每個(gè)短序列特征的特征值,，，表示該短序列特征表示其所在軟件樣本的能力越強(qiáng),；**后在選取的詞頻tf**高的多個(gè)短序列特征中選取,，生成字節(jié)碼n-grams特征視圖；：＝tf×idf,；其中,，ni,j是短序列特征i在軟件樣本j中出現(xiàn)的次數(shù),，∑knk,j指軟件樣本j中所有短序列特征出現(xiàn)的次數(shù)之和，k為短序列特征總數(shù),，1≤i≤k,；其中，|d|指軟件樣本j的總數(shù),，|{j:i∈j}|指包含短序列特征i的軟件樣本j的數(shù)目,。進(jìn)一步的,，所述步驟s2采用中間融合方法訓(xùn)練多模態(tài)深度集成模型,。云計(jì)算與 AI 融合：深圳艾策的創(chuàng)新解決方案。

    每一種信息的來(lái)源或者形式,，都可以稱為一種模態(tài),。例如，人有觸覺(jué),，聽(tīng)覺(jué),，視覺(jué)，嗅覺(jué),。多模態(tài)機(jī)器學(xué)習(xí)旨在通過(guò)機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)處理和理解多源模態(tài)信息的能力,。多模態(tài)學(xué)習(xí)從1970年代起步，經(jīng)歷了幾個(gè)發(fā)展階段,，在2010年后***步入深度學(xué)習(xí)(deeplearning)階段,。在某種意義上，深度學(xué)習(xí)可以被看作是允許我們“混合和匹配”不同模型以創(chuàng)建復(fù)雜的深度多模態(tài)模型,。目前,，多模態(tài)數(shù)據(jù)融合主要有三種融合方式：前端融合(early-fusion)即數(shù)據(jù)水平融合(data-levelfusion)、后端融合(late-fusion)即決策水平融合(decision-levelfusion)以及中間融合(intermediate-fusion),。前端融合將多個(gè)**的數(shù)據(jù)集融合成一個(gè)單一的特征向量空間,，然后將其用作機(jī)器學(xué)習(xí)算法的輸入，訓(xùn)練機(jī)器學(xué)習(xí)模型,，如圖1所示,。由于多模態(tài)數(shù)據(jù)的前端融合往往無(wú)法充分利用多個(gè)模態(tài)數(shù)據(jù)間的互補(bǔ)性，且前端融合的原始數(shù)據(jù)通常包含大量的冗余信息,。因此,，多模態(tài)前端融合方法常常與特征提取方法相結(jié)合以剔除冗余信息，基于領(lǐng)域經(jīng)驗(yàn)從每個(gè)模態(tài)中提取更高等別的特征表示,，或者應(yīng)用深度學(xué)習(xí)算法直接學(xué)習(xí)特征表示,，然后在特性級(jí)別上進(jìn)行融合。后端融合則是將不同模態(tài)數(shù)據(jù)分別訓(xùn)練好的分類器輸出決策進(jìn)行融合,，如圖2所示,。艾策檢測(cè)為新能源汽車電池提供安全性能深度解析。天津軟件安全評(píng)測(cè)

艾策紡織品檢測(cè)實(shí)驗(yàn)室配備氣候老化模擬艙,，驗(yàn)證戶外用品的耐久性與色牢度,。深圳第三方軟件檢測(cè)報(bào)告電話

    這樣做的好處是，融合模型的錯(cuò)誤來(lái)自不同的分類器,，而來(lái)自不同分類器的錯(cuò)誤往往互不相關(guān),、互不影響，不會(huì)造成錯(cuò)誤的進(jìn)一步累加,。常見(jiàn)的后端融合方式包括**大值融合(max-fusion),、平均值融合(averaged-fusion)、貝葉斯規(guī)則融合(bayes’rulebased)以及集成學(xué)習(xí)(ensemblelearning)等,。其中集成學(xué)習(xí)作為后端融合方式的典型**,，被廣泛應(yīng)用于通信、計(jì)算機(jī)識(shí)別,、語(yǔ)音識(shí)別等研究領(lǐng)域,。中間融合是指將不同的模態(tài)數(shù)據(jù)先轉(zhuǎn)化為高等特征表達(dá),，再于模型的中間層進(jìn)行融合,，如圖3所示。以深度神經(jīng)網(wǎng)絡(luò)為例,，神經(jīng)網(wǎng)絡(luò)通過(guò)一層一層的管道映射輸入,，將原始輸入轉(zhuǎn)換為更高等的表示。中間融合首先利用神經(jīng)網(wǎng)絡(luò)將原始數(shù)據(jù)轉(zhuǎn)化成高等特征表達(dá),，然后獲取不同模態(tài)數(shù)據(jù)在高等特征空間上的共性,，進(jìn)而學(xué)習(xí)一個(gè)聯(lián)合的多模態(tài)表征,。深度多模態(tài)融合的大部分工作都采用了這種中間融合的方法,，其***享表示層是通過(guò)合并來(lái)自多個(gè)模態(tài)特定路徑的連接單元來(lái)構(gòu)建的。中間融合方法的一大優(yōu)勢(shì)是可以靈活的選擇融合的位置,，但設(shè)計(jì)深度多模態(tài)集成結(jié)構(gòu)時(shí)，確定如何融合,、何時(shí)融合以及哪些模式可以融合，是比較有挑戰(zhàn)的問(wèn)題,。字節(jié)碼n-grams,、dll和api信息、格式結(jié)構(gòu)信息這三種類型的特征都具有自身的優(yōu)勢(shì),。深圳第三方軟件檢測(cè)報(bào)告電話