所以第三方軟件檢測(cè)機(jī)構(gòu)可以說是使用loadrunner軟件工具較多的一個(gè)業(yè)務(wù)領(lǐng)域,，也能保證軟件測(cè)試報(bào)告結(jié)果的性能準(zhǔn)確。二,、軟件測(cè)試漏洞掃描工具在客戶需要的軟件測(cè)試報(bào)告中，軟件安全的滲透測(cè)試和漏洞掃描一般會(huì)作為信息安全性的軟件測(cè)試報(bào)告內(nèi)容。首先來說一下漏洞掃描的工具,，這部分在國(guó)際上有ibm很出名的一個(gè)掃描測(cè)試工具appscan，以及針對(duì)web等的全量化掃描器nessus,。國(guó)產(chǎn)的目前的綠盟漏洞掃描設(shè)備也做得非常好,，個(gè)人其實(shí)更建議用綠盟的漏洞掃描設(shè)備，規(guī)則全,，掃描速度快,，測(cè)試報(bào)告也更符合國(guó)情。三,、軟件測(cè)試滲透測(cè)試工具滲透測(cè)試屬于第三方軟件檢測(cè)測(cè)評(píng)過程中的比較專業(yè)的一個(gè)測(cè)試項(xiàng),，對(duì)技術(shù)的要求也比較高，一般使用的工具為burpsuite這個(gè)專業(yè)安全工具,，這個(gè)工具挺全能的,，不光是安全服務(wù)常用的工具，同樣也認(rèn)可作為軟件滲透測(cè)試的工具輸出,?？偟膩碚f，第三方軟件檢測(cè)的那些軟件測(cè)試工具,，都是為了確保軟件測(cè)試報(bào)告結(jié)果的整體有效性來進(jìn)行使用,，也是第三方檢測(cè)機(jī)構(gòu)作為自主實(shí)驗(yàn)室的這個(gè)性質(zhì)，提供了具備正規(guī)效力的軟件測(cè)試過程和可靠的第三方檢測(cè)結(jié)果,，所以客戶可以有一個(gè)初步的軟件測(cè)試工具了解,，也對(duì)獲取一份有效的第三方軟件測(cè)試報(bào)告的結(jié)果可以有更清楚的認(rèn)識(shí)。如何選擇適合企業(yè)的 IT 解決方案,？滲透測(cè)試收費(fèi)

    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,。出具第三方軟件測(cè)試報(bào)告自動(dòng)化測(cè)試發(fā)現(xiàn)7個(gè)邊界條件未處理的異常情況,。

    降低成本對(duì)每個(gè)階段都進(jìn)行測(cè)試，包括文檔,，便于控制項(xiàng)目過程缺點(diǎn)依賴文檔,，沒有文檔的項(xiàng)目無法使用，復(fù)雜度很高,，實(shí)踐需要很強(qiáng)的管理H模型把測(cè)試活動(dòng)完全**出來,，將測(cè)試準(zhǔn)備和測(cè)試執(zhí)行體現(xiàn)出來測(cè)試準(zhǔn)備-測(cè)試執(zhí)行就緒點(diǎn)其他流程----------設(shè)計(jì)等v模型適用于中小企業(yè)需求在開始必須明確，不適用變更需求w模型適用于中大企業(yè)包括文檔也需要測(cè)試（需求分析文檔概要設(shè)計(jì)文檔詳細(xì)設(shè)計(jì)文檔代碼文檔）測(cè)試和開發(fā)同步進(jìn)行H模型對(duì)公司參與人員技能和溝通要求高測(cè)試階段單元測(cè)試-集成測(cè)試-系統(tǒng)測(cè)試-驗(yàn)證測(cè)試是否覆蓋代碼白盒測(cè)試-黑盒測(cè)試-灰盒測(cè)試是否運(yùn)行靜態(tài)測(cè)試-動(dòng)態(tài)測(cè)試測(cè)試手段人工測(cè)試-自動(dòng)化測(cè)試其他測(cè)試回歸測(cè)試-冒*測(cè)試功能測(cè)試一般功能測(cè)試-界面測(cè)試-易用性測(cè)試-安裝測(cè)試-兼容性測(cè)試性能測(cè)試穩(wěn)定性測(cè)試-負(fù)載測(cè)試-壓力測(cè)試-時(shí)間性能-空間性能負(fù)載測(cè)試確定在各種工作負(fù)載下,，系統(tǒng)各項(xiàng)指標(biāo)變化情況壓力測(cè)試:通過確定一個(gè)系統(tǒng)的剛好不能接受的性能點(diǎn),。獲得系統(tǒng)能夠提供的**大服務(wù)級(jí)別測(cè)試用例為特定的目的而設(shè)計(jì)的一組測(cè)試輸入，執(zhí)行條件和預(yù)期結(jié)果,，以便測(cè)試是否滿足某個(gè)特定需求。通過大量的測(cè)試用例來檢測(cè)軟件的運(yùn)行效果,，它是指導(dǎo)測(cè)試工作進(jìn)行的依據(jù),。

    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特征視圖輸入深度神經(jīng)網(wǎng)絡(luò)，訓(xùn)練多模態(tài)深度集成模型,；(1)方案一：采用前端融合(early-fusion)方法,，首先合并訓(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特征視圖的特征,，融合成一個(gè)單一的特征向量空間,，然后將其作為深度神經(jīng)網(wǎng)絡(luò)模型的輸入，訓(xùn)練多模態(tài)深度集成模型,；(2)方案二：首先利用訓(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特征視圖分別訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，合并訓(xùn)練的三個(gè)深度神經(jīng)網(wǎng)絡(luò)模型的決策輸出,，并將其作為感知機(jī)的輸入,，訓(xùn)練得到**終的多模態(tài)深度集成模型；(3)方案三：采用中間融合(intermediate-fusion)方法,，首先使用三個(gè)深度神經(jīng)網(wǎng)絡(luò)分別學(xué)習(xí)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特征視圖的高等特征表示，并合并學(xué)習(xí)得到的訓(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特征視圖的高等特征表示融合成一個(gè)單一的特征向量空間,，然后將其作為下一個(gè)深度神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練得到多模態(tài)深度神經(jīng)網(wǎng)絡(luò)模型,。步驟s3,、將軟件樣本中的類別未知的軟件樣本作為測(cè)試樣本。代碼簽名驗(yàn)證確認(rèn)所有組件均經(jīng)過可信機(jī)構(gòu)認(rèn)證,。

    綜合上面的分析可以看出,，惡意軟件的格式信息和良性軟件是有很多差異性的，以可執(zhí)行文件的格式信息作為特征,，是識(shí)別已知和未知惡意軟件的可行方法,。對(duì)每個(gè)樣本進(jìn)行格式結(jié)構(gòu)解析，提取**每個(gè)樣本實(shí)施例件的格式結(jié)構(gòu)信息,，可執(zhí)行文件的格式規(guī)范都由操作系統(tǒng)廠商給出,，按照操作系統(tǒng)廠商給出的格式規(guī)范提取即可。pe文件的格式結(jié)構(gòu)有許多屬性,，但大多數(shù)屬性無法區(qū)分惡意軟件和良性軟件,，經(jīng)過深入分析pe文件的格式結(jié)構(gòu)屬性，提取了可能區(qū)分惡意軟件和良性軟件的136個(gè)格式結(jié)構(gòu)屬性,，如表2所示,。表2可能區(qū)分惡意軟件和良性軟件的pe格式結(jié)構(gòu)屬性特征描述數(shù)量(個(gè))引用dll的總數(shù)1引用api的總數(shù)1導(dǎo)出表中符號(hào)的總數(shù)1重定位節(jié)的項(xiàng)目總數(shù)，連續(xù)的幾個(gè)字節(jié)可能是完成特定功能的一段代碼,，或者是可執(zhí)行文件的結(jié)構(gòu)信息,，也可能是某個(gè)惡意軟件中特有的字節(jié)碼序列,。pe文件可表示為字節(jié)碼序列，惡意軟件可能存在一些共有的字節(jié)碼子序列模式,，研究人員直覺上認(rèn)為一些字節(jié)碼子序列在惡意軟件可能以較高頻率出現(xiàn),，且這些字節(jié)碼序列和良性軟件字節(jié)碼序列存在明顯差異?？蓤?zhí)行文件通常是二進(jìn)制文件,，需要把二進(jìn)制文件轉(zhuǎn)換為十六進(jìn)制的文本實(shí)施例件，就得到可執(zhí)行文件的十六進(jìn)制字節(jié)碼序列,。用戶隱私測(cè)評(píng)確認(rèn)數(shù)據(jù)采集范圍超出聲明條款3項(xiàng),。陜西軟件測(cè)評(píng)

多平臺(tái)兼容性測(cè)試顯示Linux環(huán)境下存在驅(qū)動(dòng)適配問題。滲透測(cè)試收費(fèi)

    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)方法來融合dll和api,、格式結(jié)構(gòu)信息、字節(jié)碼n-grams特征,。滲透測(cè)試收費(fèi)