此外格式結(jié)構(gòu)信息具有明顯的語(yǔ)義信息，但基于格式結(jié)構(gòu)信息的檢測(cè)方法沒(méi)有提取決定軟件行為的代碼節(jié)和數(shù)據(jù)節(jié)信息作為特征,。某一種類型的特征都從不同的視角反映刻畫(huà)了可執(zhí)行文件的一些性質(zhì),，字節(jié)碼n-grams、dll和api信息,、格式結(jié)構(gòu)信息都部分捕捉到了惡意軟件和良性軟件間的可區(qū)分信息,，但都存在著一定的局限性，不能充分、綜合,、整體的表示可執(zhí)行文件的本質(zhì),，使得檢測(cè)結(jié)果準(zhǔn)確率不高、可靠性低,、泛化性和魯棒性不佳,。此外，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(cè),。技術(shù)實(shí)現(xiàn)要素：本發(fā)明實(shí)施例的目的在于提供一種基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測(cè)方法,，以解決現(xiàn)有采用二進(jìn)制可執(zhí)行文件的單一特征類型進(jìn)行惡意軟件檢測(cè)的檢測(cè)方法檢測(cè)準(zhǔn)確率不高,、檢測(cè)可靠性低、泛化性和魯棒性不佳的問(wèn)題,，以及其難以檢測(cè)出偽造良性軟件特征的惡意軟件的問(wèn)題,。本發(fā)明實(shí)施例所采用的技術(shù)方案是，基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測(cè)方法,，按照以下步驟進(jìn)行：步驟s1,、提取軟件樣本的二進(jìn)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。數(shù)據(jù)安全與合規(guī)：艾策科技的最佳實(shí)踐,。軟件安全測(cè)評(píng)公司哪家好

    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,。軟件cma測(cè)試深圳艾策信息科技：可持續(xù)發(fā)展的 IT 解決方案。

    optimizer)采用的是adagrad,，batch_size是40,。深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練基本都是基于梯度下降的，尋找函數(shù)值下降速度**快的方向,，沿著下降方向迭代,，迅速到達(dá)局部**優(yōu)解的過(guò)程就是梯度下降的過(guò)程。使用訓(xùn)練集中的全部樣本訓(xùn)練一次就是一個(gè)epoch,，整個(gè)訓(xùn)練集被使用的總次數(shù)就是epoch的值,。epoch值的變化會(huì)影響深度神經(jīng)網(wǎng)絡(luò)的權(quán)重值的更新次數(shù)。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,，前端融合模型的準(zhǔn)確率變化曲線如圖5所示,，模型的對(duì)數(shù)損失變化曲線如圖6所示。從圖5和圖6可以看出,，當(dāng)epoch值從0增加到5過(guò)程中,，模型的驗(yàn)證準(zhǔn)確率和驗(yàn)證對(duì)數(shù)損失有一定程度的波動(dòng)；當(dāng)epoch值從5到50的過(guò)程中,，前端融合模型的訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率基本不變,，訓(xùn)練和驗(yàn)證對(duì)數(shù)損失基本不變；綜合分析圖5和圖6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),。前端融合模型的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7所示，規(guī)范化后的混淆矩陣如圖8所示,。前端融合模型的roc曲線如圖9所示,，該曲線反映的是隨著檢測(cè)閾值變化下檢測(cè)率與誤報(bào)率之間的關(guān)系曲線。

    并將測(cè)試樣本的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特征視圖輸入步驟s2訓(xùn)練得到的多模態(tài)深度集成模型中,，對(duì)測(cè)試樣本進(jìn)行檢測(cè)并得出檢測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果與分析(1)樣本數(shù)據(jù)集選取實(shí)驗(yàn)評(píng)估使用了不同時(shí)期的惡意軟件和良性軟件樣本,，包含了7871個(gè)良性軟件樣本和8269個(gè)惡意軟件樣本,，其中4103個(gè)惡意軟件樣本是2011年以前發(fā)現(xiàn)的，4166個(gè)惡意軟件樣本是近年來(lái)新發(fā)現(xiàn)的,；3918個(gè)良性軟件樣本是從全新安裝的windowsxpsp3系統(tǒng)中收集的,，3953個(gè)良性軟件樣本是從全新安裝的32位windows7系統(tǒng)中收集的。所有的惡意軟件樣本都是從vxheavens網(wǎng)站中收集的,，所有的樣本格式都是windowspe格式的,，樣本數(shù)據(jù)集構(gòu)成如表1所示,。表1樣本數(shù)據(jù)集類別惡意軟件樣本良性軟件樣本早期樣本41033918近期樣本41663953合計(jì)82697871(2)評(píng)價(jià)指標(biāo)及方法分類性能主要用兩個(gè)指標(biāo)來(lái)評(píng)估：準(zhǔn)確率和對(duì)數(shù)損失,。準(zhǔn)確率測(cè)量所有預(yù)測(cè)中正確預(yù)測(cè)的樣本占總樣本的比例，*憑準(zhǔn)確率通常不足以評(píng)估預(yù)測(cè)的魯棒性,，因此還需要使用對(duì)數(shù)損失,。對(duì)數(shù)損失(logarithmicloss)，也稱交叉熵?fù)p失(cross-entropyloss),，是在概率估計(jì)上定義的,，用于測(cè)量預(yù)測(cè)類別與真實(shí)類別之間的差距大小。第三方實(shí)驗(yàn)室驗(yàn)證數(shù)據(jù)處理速度較上代提升1.8倍,。

    評(píng)審步驟以及評(píng)審記錄機(jī)制,。3)評(píng)審項(xiàng)由上層****。通過(guò)培訓(xùn)參加評(píng)審的人員,，使他們理解和遵循相牢的評(píng)審政策,，評(píng)審步驟。(II)建立測(cè)試過(guò)程的測(cè)量程序測(cè)試過(guò)程的側(cè)量程序是評(píng)價(jià)測(cè)試過(guò)程質(zhì)量,，改進(jìn)測(cè)試過(guò)程的基礎(chǔ),，對(duì)監(jiān)視和控制測(cè)試過(guò)程至關(guān)重要。測(cè)量包括測(cè)試進(jìn)展,，測(cè)試費(fèi)用,，軟件錯(cuò)誤和缺陷數(shù)據(jù)以及產(chǎn)品淵量等。建立淵試測(cè)量程序有3個(gè)子目標(biāo):1)定義**范圍內(nèi)的測(cè)試過(guò)程測(cè)量政策和目標(biāo),。2)制訂測(cè)試過(guò)程測(cè)量計(jì)劃,。測(cè)量計(jì)劃中應(yīng)給出收集，分析和應(yīng)用測(cè)量數(shù)據(jù)的方法。3)應(yīng)用測(cè)量結(jié)果制訂測(cè)試過(guò)程改進(jìn)計(jì)劃,。(III)軟件質(zhì)量評(píng)價(jià)軟件質(zhì)量評(píng)價(jià)內(nèi)容包括定義可測(cè)量的軟件質(zhì)量屬性,，定義評(píng)價(jià)軟件工作產(chǎn)品的質(zhì)量目標(biāo)等項(xiàng)工作。軟件質(zhì)量評(píng)價(jià)有2個(gè)子目標(biāo):1)管理層,，測(cè)試組和軟件質(zhì)量保證組要制訂與質(zhì)量有關(guān)的政策,，質(zhì)量目標(biāo)和軟件產(chǎn)品質(zhì)量屬性。2)測(cè)試過(guò)程應(yīng)是結(jié)構(gòu)化,，己測(cè)量和己評(píng)價(jià)的,，以保證達(dá)到質(zhì)量目標(biāo)。第五級(jí)?優(yōu)化,，預(yù)防缺陷和質(zhì)量控制級(jí)由于本級(jí)的測(cè)試過(guò)程是可重復(fù),，已定義，已管理和己測(cè)量的,，因此軟件**能夠優(yōu)化調(diào)整和持續(xù)改進(jìn)測(cè)試過(guò)程,。測(cè)試過(guò)程的管理為持續(xù)改進(jìn)產(chǎn)品質(zhì)量和過(guò)程質(zhì)量提供指導(dǎo)，并提供必要的基礎(chǔ)設(shè)施,。優(yōu)化,，預(yù)防缺陷和質(zhì)量控制級(jí)有3個(gè)要實(shí)現(xiàn)的成熟度目標(biāo):。艾策科技案例研究：某跨國(guó)企業(yè)的數(shù)字化轉(zhuǎn)型實(shí)踐,。軟件測(cè)試平臺(tái)

滲透測(cè)試報(bào)告暴露2個(gè)高危API接口需緊急加固,。軟件安全測(cè)評(píng)公司哪家好

    4)建立與用戶或客戶的聯(lián)系，收集他們對(duì)測(cè)試的需求和建議,。(II)制訂技術(shù)培訓(xùn)計(jì)劃為高效率地完成好測(cè)試工作,，測(cè)試人員必須經(jīng)過(guò)適當(dāng)?shù)呐嘤?xùn)。制訂技術(shù)培訓(xùn)規(guī)劃有3個(gè)子目標(biāo):1)制訂**的培訓(xùn)計(jì)劃,，并在管理上提供包括經(jīng)費(fèi)在內(nèi)的支持,。2)制訂培訓(xùn)目標(biāo)和具體的培訓(xùn)計(jì)劃。3)成立培訓(xùn)組,，配備相應(yīng)的工具,，設(shè)備和教材(III)軟件全生命周期測(cè)試提高測(cè)試成熟度和改善軟件產(chǎn)品質(zhì)量都要求將測(cè)試工作與軟件生命周期中的各個(gè)階段聯(lián)系起來(lái)。該目標(biāo)有4個(gè)子目標(biāo):1)將測(cè)試階段劃分為子階段,，并與軟件生命周期的各階段相聯(lián)系,。2)基于已定義的測(cè)試子階段，采用軟件生命周期V字模型,。3)制訂與淵試相關(guān)的工作產(chǎn)品的標(biāo)準(zhǔn),。4)建立測(cè)試人員與開(kāi)發(fā)人員共同工作的機(jī)制。這種機(jī)制有利于促進(jìn)將測(cè)試活動(dòng)集成于軟件生命周期中(IV)控制和監(jiān)視測(cè)試過(guò)程為控制和監(jiān)視測(cè)試過(guò)程,，軟件**需采取相應(yīng)措施,，如:制訂測(cè)試產(chǎn)品的標(biāo)準(zhǔn),，制訂與測(cè)試相關(guān)的偶發(fā)事件的處理預(yù)案，確定測(cè)試?yán)锍瘫?，確定評(píng)估測(cè)試效率的度量,，建立測(cè)試日志等?？刂坪捅O(jiān)視測(cè)試過(guò)程有3個(gè)子目標(biāo):1)制訂控制和監(jiān)視測(cè)試過(guò)程的機(jī)制和政策,。2)定義，記錄并分配一組與測(cè)試過(guò)程相關(guān)的基本測(cè)量,。3)開(kāi)發(fā),，記錄并文檔化一組糾偏措施和偶發(fā)事件處理預(yù)案。軟件安全測(cè)評(píng)公司哪家好