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入節(jié)中的動態(tài)鏈接庫(dll)和應用程序接口(api)信息能大致反映軟件的功能和性質,，通過一個可執(zhí)行程序引用的dll和api信息可以粗略的預測該程序的功能和行為。belaoued和mazouzi應用統(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鍵,。研究人員提出了基于二進制可執(zhí)行文件格式結構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習分類算法處理，取得了較高的檢測準確率,。這類方法通常不受變形或多態(tài)等混淆技術影響,，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,。負載測試證實系統(tǒng)最大承載量較宣傳數(shù)據低18%。陜西軟件測評單位

    3)pe可選頭部有效尺寸的值不正確,，(4)節(jié)之間的“間縫”,，(5)可疑的代碼重定向，(6)可疑的代碼節(jié)名稱,，(7)可疑的頭部***,，(8)來自，(9)導入地址表被修改,，(10)多個pe頭部,，(11)可疑的重定位信息，(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)含有可疑標志。存在明顯的統(tǒng)計差異的格式結構特征包括：(1)無證書表,；(2)調試數(shù)據明顯小于正常文件,，(3).text、.rsrc,、.reloc和.rdata的characteristics屬性異常,，(4)資源節(jié)的資源個數(shù)少于正常文件。生成軟件樣本的字節(jié)碼n-grams特征視圖,，是統(tǒng)計了每個短序列特征的詞頻(termfrequency,，tf)，即該短序列特征在軟件樣本中出現(xiàn)的頻率。先從當前軟件樣本的所有短序列特征中選取詞頻tf**高的多個短序列特征,；然后計算選取的每個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,；**后在選取的詞頻tf**高的多個短序列特征中選取，生成字節(jié)碼n-grams特征視圖,。：＝tf×idf,；tf(termfrequency)是詞頻，定義如下：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。安全漏洞掃描 服務企業(yè)數(shù)字化轉型指南：艾策科技的實用建議,。

    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,，是識別已知和未知惡意軟件的可行方法,。對每個樣本進行格式結構解析，提取**每個樣本實施例件的格式結構信息,，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文件的格式結構有許多屬性,，但大多數(shù)屬性無法區(qū)分惡意軟件和良性軟件,，經過深入分析pe文件的格式結構屬性，提取了可能區(qū)分惡意軟件和良性軟件的136個格式結構屬性,，如表2所示,。表2可能區(qū)分惡意軟件和良性軟件的pe格式結構屬性特征描述數(shù)量(個)引用dll的總數(shù)1引用api的總數(shù)1導出表中符號的總數(shù)1重定位節(jié)的項目總數(shù)，連續(xù)的幾個字節(jié)可能是完成特定功能的一段代碼,，或者是可執(zhí)行文件的結構信息,，也可能是某個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,。可執(zhí)行文件通常是二進制文件,，需要把二進制文件轉換為十六進制的文本實施例件,，就得到可執(zhí)行文件的十六進制字節(jié)碼序列。

    本書內容充實、實用性強,，可作為高職高專院校計算機軟件軟件測試技術課程的教材,，也可作為有關軟件測試的培訓教材，對從事軟件測試實際工作的相關技術人員也具有一定的參考價值,。目錄前言第1章軟件測試基本知識第2章測試計劃第3章測試設計和開發(fā)第4章執(zhí)行測試第5章測試技術與應用第6章軟件測試工具第7章測試文檔實例附錄IEEE模板參考文獻軟件測試技術圖書3基本信息書號：軟件測試技術7-113-07054作者：李慶義定價：出版日期：套系名稱：21世紀高校計算機應用技術系列規(guī)劃教材出版單位：**鐵道出版社內容簡介本書主要介紹軟件適用測試技術,。內容分為三部分，***部分為概念基礎,、測試理論的背景及發(fā)展,，簡要地分析了當前測試技術的現(xiàn)狀；第二部分介紹軟件測試的程序分析技術,、測試技術,，軟件測試的方法和策略，分析了軟件業(yè)在測試方面的研究成果,，并總結了測試的基本原則和一些好的實踐經驗,；第三部分介紹了兩種測試工具軟件——基于Windows的WinRunner和服務器負載測試軟件WAS。本書結合實際,，從一些具體的實例出發(fā),，介紹軟件測試的一些基本概念和方法，分析出軟件測試的基本理論知識,，適用性比較強,。用戶隱私測評確認數(shù)據采集范圍超出聲明條款3項。

    k為短序列特征總數(shù),，1≤i≤k,。可執(zhí)行文件長短大小不一,，為了防止該特征統(tǒng)計有偏,，使用∑knk,j進行歸一化處理。逆向文件頻率(inversedocumentfrequency,，idf)是一個短序列特征普遍重要性的度量,。某一短序列特征的idf，可以由總樣本實施例件數(shù)目除以包含該短序列特征之樣本實施例件的數(shù)目,，再將得到的商取對數(shù)得到：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,。idf的主要思想是：如果包含短序列特征i的軟件練樣本越少,，也就是|{j:i∈j}|越小，idf越大,，則說明短序列特征i具有很好的類別區(qū)分能力,。：如果某一特征在某樣本中以較高的頻率出現(xiàn),，而包含該特征的樣本數(shù)目較小，可以產生出高權重的,，該特征的,。因此，,，保留重要的特征,。此處選取可能區(qū)分惡意軟件和良性軟件的短序列特征，是因為字節(jié)碼n-grams提取的特征很多,，很多都是無效特征,，或者效果非常一般的特征，保持這些特征會影響檢測方法的性能和效率,，所以要選出有效的特征即可能區(qū)分惡意軟件和良性軟件的短序列特征,。步驟s2、將軟件樣本中的類別已知的軟件樣本作為訓練樣本,，然后分別采用前端融合方法,、后端融合方法和中間融合方法設計三種不同方案的多模態(tài)數(shù)據融合方法。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,。軟件性能檢測公司

數(shù)字化轉型中的挑戰(zhàn)與應對：艾策科技的經驗分享。陜西軟件測評單位

    后端融合模型的10折交叉驗證的準確率是％,，對數(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如圖16所示,，中間融合方式用深度神經網絡從三種模態(tài)的特征分別抽取高等特征表示,，然后合并學習得到的特征表示，再作為下一個深度神經網絡的輸入訓練模型,，隱藏層的***函數(shù)為relu,，輸出層的***函數(shù)是sigmoid，中間使用dropout層進行正則化,，防止過擬合,，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網絡包含3個隱含層，其***個隱含層的神經元個數(shù)是128,，第二個隱含層的神經元個數(shù)是64,，第三個隱含層的神經元個數(shù)是32,，且3個隱含層中間間隔設置有dropout層,。用于抽取格式信息特征視圖的深度神經網絡包含2個隱含層,，其***個隱含層的神經元個數(shù)是64，其第二個隱含層的神經元個數(shù)是32,，且2個隱含層中間設置有dropout層,。用于抽取字節(jié)碼n-grams特征視圖的深度神經網絡包含4個隱含層，其***個隱含層的神經元個數(shù)是512,，第二個隱含層的神經元個數(shù)是384,，第三個隱含層的神經元個數(shù)是256，第四個隱含層的神經元個數(shù)是125,。陜西軟件測評單位