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。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%,。西安第三方軟件評(píng)測(cè)中心

    [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)避免檢査自己的程序,，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,。石家莊第三方軟件測(cè)試中心第三方實(shí)驗(yàn)室驗(yàn)證數(shù)據(jù)處理速度較上代提升1.8倍。

    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,。

    [1]中文名軟件測(cè)試方法外文名SoftwareTestingMethod目的測(cè)試軟件性能所屬行業(yè)計(jì)算機(jī)作用選擇合適的軟件目錄1概述2原則3分類?靜態(tài)測(cè)試和動(dòng)態(tài)測(cè)試?黑盒測(cè)試,、白盒測(cè)試和灰盒測(cè)試?手動(dòng)測(cè)試和自動(dòng)化測(cè)試4不同階段測(cè)試?單元測(cè)試?集成測(cè)試?系統(tǒng)測(cè)試?驗(yàn)收測(cè)試5重要性軟件測(cè)試方法概述編輯軟件測(cè)試方法的目的包括：發(fā)現(xiàn)軟件程序中的錯(cuò)誤、對(duì)軟件是否符合設(shè)計(jì)要求,，以及是否符合合同中所要達(dá)到的技術(shù)要求,，進(jìn)行有關(guān)驗(yàn)證以及評(píng)估軟件的質(zhì)量。**終實(shí)現(xiàn)將高質(zhì)量的軟件系統(tǒng)交給用戶的目的。而軟件的基本測(cè)試方法主要有靜態(tài)測(cè)試和動(dòng)態(tài)測(cè)試,、功能測(cè)試,、性能測(cè)試、黑盒測(cè)試和白盒測(cè)試等等,。[2]軟件測(cè)試方法眾多,，比較常用到的測(cè)試方法有等價(jià)類劃分、場(chǎng)景法,，偶爾會(huì)使用到的測(cè)試方法有邊界值和判定表,，還有包括不經(jīng)常使用到的正交排列法和測(cè)試大綱法。其中等價(jià)類劃分,、邊界值分析,、判定表等屬于黑盒測(cè)試方法；只對(duì)功能是否可以滿足規(guī)定要求進(jìn)行檢查,，主要用于軟件的確認(rèn)測(cè)試階段,。白盒測(cè)試也叫做結(jié)構(gòu)測(cè)試或邏輯驅(qū)動(dòng)測(cè)試，是基于覆蓋的全部代碼和路徑,、條件的測(cè)試,，通過(guò)測(cè)試檢測(cè)產(chǎn)品內(nèi)部性能，檢驗(yàn)程序中的路徑是否可以按照要求完成工作,，但是并不對(duì)功能進(jìn)行測(cè)試,，主要用于軟件的驗(yàn)證。對(duì)比分析顯示資源占用率高于同類產(chǎn)品均值26%,。

    ***級(jí)初始級(jí)TMM初始級(jí)軟件測(cè)試過(guò)程的特點(diǎn)是測(cè)試過(guò)程無(wú)序,，有時(shí)甚至是混亂的,，幾乎沒(méi)有妥善定義的,。初始級(jí)中軟件的測(cè)試與調(diào)試常常被混為一談，軟件開(kāi)發(fā)過(guò)程中缺乏測(cè)試資源,，工具以及訓(xùn)練有素的測(cè)試人員,。初始級(jí)的軟件測(cè)試過(guò)程沒(méi)有定義成熟度目標(biāo)。第二級(jí)定義級(jí)TMM的定義級(jí)中,，測(cè)試己具備基本的測(cè)試技術(shù)和方法,，軟件的測(cè)試與調(diào)試己經(jīng)明確地被區(qū)分開(kāi)。這時(shí),，測(cè)試被定義為軟件生命周期中的一個(gè)階段,，它緊隨在編碼階段之后。但在定義級(jí)中,，測(cè)試計(jì)劃往往在編碼之后才得以制訂,，這顯然有背于軟件工程的要求。TMM的定義級(jí)中需實(shí)現(xiàn)3個(gè)成熟度目標(biāo):制訂測(cè)試與調(diào)試目標(biāo)，啟動(dòng)測(cè)試計(jì)劃過(guò)程,，制度化基本的測(cè)試技術(shù)和方法,。(I)制訂測(cè)試與調(diào)試目標(biāo)軟件**必須消晰地區(qū)分軟件開(kāi)發(fā)的測(cè)試過(guò)程與調(diào)試過(guò)程，識(shí)別各自的目標(biāo),，任務(wù)和括動(dòng),。正確區(qū)分這兩個(gè)過(guò)程是提高軟件**測(cè)試能力的基礎(chǔ)。與調(diào)試工作不同,，測(cè)試工作是一種有計(jì)劃的活動(dòng),，可以進(jìn)行管理和控制。這種管理和控制活動(dòng)需要制訂相應(yīng)的策略和政策,，以確定和協(xié)調(diào)這兩個(gè)過(guò)程,。制訂測(cè)試與調(diào)試目標(biāo)包含5個(gè)子成熟度目標(biāo):1)分別形成測(cè)試**和調(diào)試**，并有經(jīng)費(fèi)支持,。2)規(guī)劃并記錄測(cè)試目標(biāo),。3)規(guī)劃井記錄調(diào)試目標(biāo)。4)將測(cè)試和調(diào)試目標(biāo)形成文檔,。艾策醫(yī)療檢測(cè)中心為體外診斷試劑提供全流程合規(guī)性驗(yàn)證服務(wù),。軟件平臺(tái)測(cè)試報(bào)告

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),。西安第三方軟件評(píng)測(cè)中心

    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,。西安第三方軟件評(píng)測(cè)中心