此外格式結構信息具有明顯的語義信息,，但基于格式結構信息的檢測方法沒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,，字節(jié)碼n-grams,、dll和api信息、格式結構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,，使得檢測結果準確率不高、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,。技術實現(xiàn)要素：本發(fā)明實施例的目的在于提供一種基于多模態(tài)深度學習的惡意軟件檢測方法，以解決現(xiàn)有采用二進制可執(zhí)行文件的單一特征類型進行惡意軟件檢測的檢測方法檢測準確率不高,、檢測可靠性低,、泛化性和魯棒性不佳的問題，以及其難以檢測出偽造良性軟件特征的惡意軟件的問題,。本發(fā)明實施例所采用的技術方案是,，基于多模態(tài)深度學習的惡意軟件檢測方法，按照以下步驟進行：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格式結構信息以及字節(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。從傳統(tǒng)到智能：艾策科技助力制造業(yè)升級之路,。西寧軟件評測公司

    將三種模態(tài)特征和三種融合方法的結果進行了對比,，如表3所示。從表3可以看出,，前端融合和中間融合較基于模態(tài)特征的檢測準確率更高,，損失率更低。后端融合是三種融合方法中較弱的,，雖然明顯優(yōu)于基于dll和api信息,、pe格式結構特征的實驗結果，但稍弱于基于字節(jié)碼3-grams特征的結果,。中間融合是三種融合方法中**好的,，各項性能指標都非常接近**優(yōu)值。表3實驗結果對比本實施例提出了基于多模態(tài)深度學習的惡意軟件檢測方法，提取了三種模態(tài)的特征(dll和api信息,、pe格式結構信息和字節(jié)碼3-grams),，提出了通過三種融合方式(前端融合、后端融合,、中間融合)集成三種模態(tài)的特征,，有效提高惡意軟件檢測的準確率和魯棒性。實驗結果顯示,，相對**且互補的特征視圖和不同深度學習融合機制的使用明顯提高了檢測方法的檢測能力和泛化性能,，其中較優(yōu)的中間融合方法取得了％的準確率，對數(shù)損失為,，auc值為,，各項性能指標已接近**優(yōu)值?？紤]到樣本集可能存在噪聲,，本實施例提出的方法已取得了比較理想的結果。由于惡意軟件很難同時偽造多個模態(tài)的特征,，本實施例提出的方法比單模態(tài)特征方法更魯棒,。以上所述*為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍,。軟件精度性能檢測報告數(shù)據(jù)驅動決策：艾策科技如何提升企業(yè)競爭力,。

    先將訓練樣本的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深度神經(jīng)網(wǎng)絡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深度神經(jīng)網(wǎng)絡的輸入進行模型訓練,，得到多模態(tài)深度集成模型。進一步的,，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層進行正則化,，優(yōu)化器采用adagrad,。進一步的，所述訓練得到的多模態(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)絡包含3個隱含層,，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(jīng)網(wǎng)絡包含2個隱含層,，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(jīng)網(wǎng)絡包含4個隱含層，且4個隱含層中間間隔設置有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)絡包含2個隱含層,，且2個隱含層中間設置有dropout層；所述dropout層的dropout率均等于。本發(fā)明實施例的有益效果是,，提出了一種基于多模態(tài)深度學習的惡意軟件檢測方法,，應用了多模態(tài)深度學習方法來融合dll和api、格式結構信息,、字節(jié)碼n-grams特征,。

    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,、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)以及集成學習(ensemblelearning)等,。其中集成學習作為后端融合方式的典型**,，被廣泛應用于通信、計算機識別,、語音識別等研究領域,。中間融合是指將不同的模態(tài)數(shù)據(jù)先轉化為高等特征表達，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)絡為例，神經(jīng)網(wǎng)絡通過一層一層的管道映射輸入,，將原始輸入轉換為更高等的表示,。中間融合首先利用神經(jīng)網(wǎng)絡將原始數(shù)據(jù)轉化成高等特征表達，然后獲取不同模態(tài)數(shù)據(jù)在高等特征空間上的共性,，進而學習一個聯(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,，但設計深度多模態(tài)集成結構時，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、格式結構信息這三種類型的特征都具有自身的優(yōu)勢,。隱私合規(guī)檢測確認用戶數(shù)據(jù)加密符合GDPR標準要求,。

    為了有效保證這一階段測試的客觀性，必須由**的測試小組來進行相關的系統(tǒng)測試。另外,，系統(tǒng)測試過程較為復雜,，由于在系統(tǒng)測試階段不斷變更需求造成功能的刪除或增加，從而使程序不斷出現(xiàn)相應的更改,，而程序在更改后可能會出現(xiàn)新的問題,，或者原本沒有問題的功能由于更改導致出現(xiàn)問題。所以,，測試人員必須進行回歸測試,。[2]軟件測試方法驗收測試驗收測試是**后一個階段的測試操作，在軟件產(chǎn)品投入正式運行前的所要進行的測試工作,。和系統(tǒng)測試相比而言,，驗收測試與之的區(qū)別就只是測試人員不同，驗收測試則是由用戶來執(zhí)行這一操作的,。驗收測試的主要目標是為向用戶展示所開發(fā)出來的軟件符合預定的要求和有關標準,，并驗證軟件實際工作的有效性和可靠性，確保用戶能用該軟件順利完成既定的任務和功能,。通過了驗收測試,，該產(chǎn)品就可進行發(fā)布。但是,，在實際交付給用戶之后,，開發(fā)人員是無法預測該軟件用戶在實際運用過程中是如何使用該程序的，所以從用戶的角度出發(fā),，測試人員還應進行Alpha測試或Beta測試這兩種情形的測試,。Alpha測試是在軟件開發(fā)環(huán)境下由用戶進行的測試，或者模擬實際操作環(huán)境進而進行的測試,。安全掃描確認軟件通過ISO 27001標準,，無高危漏洞記錄。成都軟件檢測

用戶隱私測評確認數(shù)據(jù)采集范圍超出聲明條款3項,。西寧軟件評測公司

    軟件測試技術測試分類編輯軟件測試的狹義論和廣義論——靜態(tài)和動態(tài)的測試軟件測試技術軟件測試的辨證論——正向思維和反向思維軟件測試的風險論——測試是評估軟件測試的經(jīng)濟學觀點——為盈利而測試軟件測試的標準論——驗證和確認軟件測試技術測試工具編輯幾種常用的測試工具：1,、軟件錯誤管理工具Bugzilla2、功能測試工具WinRunner3,、負載測試工具LoadRunner4,、測試管理工具TestDirector軟件測試技術同名圖書編輯軟件測試技術圖書1書名:軟件測試技術軟件測試技術作者：曲朝陽出版社：**水利水電出版社出版時間：2006ISBN:97開本：16定價:元內(nèi)容簡介本書詳盡地闡述了軟件測試領域中的一些基本理論和實用技術。首先從軟件測試的基本原則,，以及常用的軟件測試技術入手,，介紹了與軟件測試領域相關的基礎知識。然后,，分別從單元測試,、集成測試和系統(tǒng)測試3個層面深入分析了如何選擇和設計有效的測試用例,，制定合適的測試策略等主題。**后,，討論了面向對象的軟件測試和軟件測試自動化技術,。附錄中還附錄了常見的軟件錯誤，供讀者參閱,。本書作為軟件測試的實際應用參考書,，除了力求突出基本知識和基本概念的表述外，更注重軟件測試技術的運用,。西寧軟件評測公司