保留了較多信息,，同時由于操作數(shù)比較隨機，某種程度上又沒有抓住主要矛盾,，干擾了主要語義信息的提取,。pe文件即可移植文件導(dǎo)入節(jié)中的動態(tài)鏈接庫(dll)和應(yīng)用程序接口(api)信息能大致反映軟件的功能和性質(zhì),，通過一個可執(zhí)行程序引用的dll和api信息可以粗略的預(yù)測該程序的功能和行為。belaoued和mazouzi應(yīng)用統(tǒng)計khi2檢驗分析了pe格式的惡意軟件和良性軟件的導(dǎo)入節(jié)中的dll和api信息,，分析顯示惡意軟件和良性軟件使用的dll和api信息統(tǒng)計上有明顯的區(qū)別,。后續(xù)的研究人員提出了挖掘dll和api信息的惡意軟件檢測方法，該類方法提取的特征語義信息豐富,，但*從二進制可執(zhí)行文件的導(dǎo)入節(jié)提取特征,，忽略了整個可執(zhí)行文件的大量信息。惡意軟件和被***二進制可執(zhí)行文件格式信息上存在一些異常,，這些異常是檢測惡意軟件的關(guān)鍵,。研究人員提出了基于二進制可執(zhí)行文件格式結(jié)構(gòu)信息的惡意軟件檢測方法，這類方法從二進制可執(zhí)行文件的pe文件頭,、節(jié)頭部,、資源節(jié)等提取特征，基于這些特征使用機器學(xué)習(xí)分類算法處理,，取得了較高的檢測準(zhǔn)確率,。這類方法通常不受變形或多態(tài)等混淆技術(shù)影響，提取特征只需要對pe文件進行格式解析,，無需遍歷整個可執(zhí)行文件,，提取特征速度較快。艾策科技：如何用數(shù)據(jù)分析重塑企業(yè)決策,！軟件的第三方測評費用

    收藏查看我的收藏0有用+1已投票0軟件測試方法編輯鎖定本詞條由“科普**”科學(xué)百科詞條編寫與應(yīng)用工作項目審核,。軟件測試是使用人工或自動的手段來運行或測定某個軟件系統(tǒng)的過程，其目的在于檢驗它是否滿足規(guī)定的需求或弄清預(yù)期結(jié)果與實際結(jié)果之間的差別,。[1]從是否關(guān)心軟件內(nèi)部結(jié)構(gòu)和具體實現(xiàn)的角度劃分,，測試方法主要有白盒測試和黑盒測試。白盒測試方法主要有代碼檢査法,、靜態(tài)結(jié)構(gòu)分析法,、靜態(tài)質(zhì)量度量法、邏輯覆蓋法,、基夲路徑測試法、域測試,、符號測試,、路徑覆蓋和程序變異。黑盒測試方法主要包括等價類劃分法,、邊界值分析法,、錯誤推測法、因果圖法,、判定表驅(qū)動法,、正交試驗設(shè)計法,、功能圖法、場景法等,。[1]從是否執(zhí)行程序的角度劃分,，測試方法又可分為靜態(tài)測試和動態(tài)測試。靜態(tài)測試包括代碼檢査,、靜態(tài)結(jié)構(gòu)分析,、代碼質(zhì)量度量等。動態(tài)測試由3部分組成：構(gòu)造測試實例,、執(zhí)行程序和分析程序的輸出結(jié)果,。軟件測試報告哪個第三方網(wǎng)絡(luò)安全新時代：深圳艾策的防御策略解析。

    收藏查看我的收藏0有用+1已投票0軟件測試技術(shù)編輯鎖定討論上傳視頻軟件測試技術(shù)是軟件開發(fā)過程中的一個重要組成部分,，是貫穿整個軟件開發(fā)生命周期,、對軟件產(chǎn)品（包括階段性產(chǎn)品）進行驗證和確認(rèn)的活動過程，其目的是盡快盡早地發(fā)現(xiàn)在軟件產(chǎn)品中所存在的各種問題——與用戶需求,、預(yù)先定義的不一致性,。檢查軟件產(chǎn)品的bug。寫成測試報告,，交于開發(fā)人員修改,。軟件測試人員的基本目標(biāo)是發(fā)現(xiàn)軟件中的錯誤。中文名軟件測試技術(shù)簡介單元測試,、集成測試主要步驟測試設(shè)計與開發(fā)常見測試回歸測試功能測試目錄1主要步驟2基本功能3測試目標(biāo)4測試目的5常見測試6測試分類7測試工具8同名圖書?圖書1?圖書2?圖書3?圖書4軟件測試技術(shù)主要步驟編輯1,、測試計劃2、測試設(shè)計與開發(fā)3,、執(zhí)行測試軟件測試技術(shù)基本功能編輯1,、驗證（Verification）2、確認(rèn)（Validation）軟件測試人員應(yīng)具備的知識：1,、軟件測試技術(shù)2,、被測試應(yīng)用程序及相關(guān)應(yīng)用領(lǐng)域軟件測試技術(shù)測試目標(biāo)編輯1、軟件測試人員所追求的是盡可能早地找出軟件的錯誤,；2,、軟件測試人員必須確保找出的軟件錯誤得以關(guān)閉。

    特征之間存在部分重疊,，但特征類型間存在著互補,，融合這些不同抽象層次的特征可更好的識別軟件的真正性質(zhì)。且惡意軟件通常偽造出和良性軟件相似的特征,，逃避反**軟件的檢測,，但惡意軟件很難同時偽造多個抽象層次的特征逃避檢測?；谠撚^點,，本發(fā)明實施例提出一種基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測方法,，以實現(xiàn)對惡意軟件的有效檢測，提取了三種模態(tài)的特征(dll和api信息,、pe格式結(jié)構(gòu)信息和字節(jié)碼3-grams),，提出了通過前端融合、后端融合和中間融合這三種融合方式集成三種模態(tài)的特征,，有效提高惡意軟件檢測的準(zhǔn)確率和魯棒性,，具體步驟如下：步驟s1、提取軟件樣本的二進制可執(zhí)行文件的dll和api信息,、pe格式結(jié)構(gòu)信息以及字節(jié)碼n-grams的特征表示,，生成軟件樣本的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,；統(tǒng)計當(dāng)前軟件樣本的導(dǎo)入節(jié)中引用的dll和api,，提取得到當(dāng)前軟件樣本的二進制可執(zhí)行文件的dll和api信息的特征表示。對當(dāng)前軟件樣本的二進制可執(zhí)行文件進行格式結(jié)構(gòu)解析,，并按照格式規(guī)范提取**該軟件樣本的格式結(jié)構(gòu)信息,，得到該軟件樣本的二進制可執(zhí)行文件的pe格式結(jié)構(gòu)信息的特征表示。第三方測評顯示軟件運行穩(wěn)定性達99.8%,，未發(fā)現(xiàn)重大系統(tǒng)崩潰隱患,。

    這樣做的好處是，融合模型的錯誤來自不同的分類器,，而來自不同分類器的錯誤往往互不相關(guān),、互不影響，不會造成錯誤的進一步累加,。常見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、計算機識別,、語音識別等研究領(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，再于模型的中間層進行融合,，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,，然后獲取不同模態(tài)數(shù)據(jù)在高等特征空間上的共性,，進而學(xué)習(xí)一個聯(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***享表示層是通過合并來自多個模態(tài)特定路徑的連接單元來構(gòu)建的,。中間融合方法的一大優(yōu)勢是可以靈活的選擇融合的位置,，但設(shè)計深度多模態(tài)集成結(jié)構(gòu)時，確定如何融合,、何時融合以及哪些模式可以融合,，是比較有挑戰(zhàn)的問題。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。艾策檢測為新能源汽車電池提供安全性能深度解析,。三方軟件測試

滲透測試報告暴露2個高危API接口需緊急加固,。軟件的第三方測評費用

    且4個隱含層中間間隔設(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個隱含層,，其***個隱含層的神經(jīng)元個數(shù)是64,，第二個神經(jīng)元的隱含層個數(shù)是10，且2個隱含層中間設(shè)置有dropout層,。且所有dropout層的dropout率等于,。本次實驗使用了80％的樣本訓(xùn)練，20％的樣本驗證,，訓(xùn)練50個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過程中,，模型的訓(xùn)練準(zhǔn)確率和驗證準(zhǔn)確率快速提高,，模型的訓(xùn)練對數(shù)損失和驗證對數(shù)損失快速減少；當(dāng)epoch值從30到50的過程中,，中間融合模型的訓(xùn)練準(zhǔn)確率和驗證準(zhǔn)確率基本保持不變,，訓(xùn)練對數(shù)損失緩慢下降；綜合分析圖17和圖18的準(zhǔn)確率和對數(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，進行了10折交叉驗證實驗,。中間融合模型的10折交叉驗證的準(zhǔn)確率是％,，對數(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)實驗結(jié)果比對為了綜合評估本實施例提出融合方案的綜合性能,。軟件的第三方測評費用