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,。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(wèn)題。信息系統(tǒng)安全檢測(cè)

    對(duì)一些質(zhì)量要求和可靠性要求較高的模塊,，一般要滿足所需條件的組合覆蓋或者路徑覆蓋標(biāo)準(zhǔn),。[2]軟件測(cè)試方法集成測(cè)試集成測(cè)試是軟件測(cè)試的第二階段，在這個(gè)階段,，通常要對(duì)已經(jīng)嚴(yán)格按照程序設(shè)計(jì)要求和標(biāo)準(zhǔn)組裝起來(lái)的模塊同時(shí)進(jìn)行測(cè)試,，明確該程序結(jié)構(gòu)組裝的正確性，發(fā)現(xiàn)和接口有關(guān)的問(wèn)題,，比如模塊接口的數(shù)據(jù)是否會(huì)在穿越接口時(shí)發(fā)生丟失,；各個(gè)模塊之間因某種疏忽而產(chǎn)生不利的影響；將模塊各個(gè)子功能組合起來(lái)后產(chǎn)生的功能要求達(dá)不到預(yù)期的功能要求,；一些在誤差范圍內(nèi)且可接受的誤差由于長(zhǎng)時(shí)間的積累進(jìn)而到達(dá)了不能接受的程度,；數(shù)據(jù)庫(kù)因單個(gè)模塊發(fā)生錯(cuò)誤造成自身出現(xiàn)錯(cuò)誤等等。同時(shí)因集成測(cè)試是界于單元測(cè)試和系統(tǒng)測(cè)試之間的,，所以,，集成測(cè)試具有承上啟下的作用。因此有關(guān)測(cè)試人員必須做好集成測(cè)試工作,。在這一階段,，一般采用的是白盒和黑盒結(jié)合的方法進(jìn)行測(cè)試，驗(yàn)證這一階段設(shè)計(jì)的合理性以及需求功能的實(shí)現(xiàn)性。[2]軟件測(cè)試方法系統(tǒng)測(cè)試一般情況下,，系統(tǒng)測(cè)試采用黑盒法來(lái)進(jìn)行測(cè)試的,，以此來(lái)檢查該系統(tǒng)是否符合軟件需求。本階段的主要測(cè)試內(nèi)容包括健壯性測(cè)試,、性能測(cè)試,、功能測(cè)試、安裝或反安裝測(cè)試,、用戶界面測(cè)試,、壓力測(cè)試、可靠性及安全性測(cè)試等,。軟件性能效率測(cè)評(píng)機(jī)構(gòu)排名數(shù)據(jù)安全與合規(guī)：艾策科技的最佳實(shí)踐,。

    坐標(biāo)點(diǎn)(0,1)**一個(gè)完美的分類器，它將所有的樣本都正確分類,。roc曲線越接近左上角,，該分類器的性能越好。從圖9可以看出,，該方案的roc曲線非常接近左上角,，性能較優(yōu)。另外,，前端融合模型的auc值為,。(5)后端融合后端融合的架構(gòu)如圖10所示，后端融合方式用三種模態(tài)的特征分別訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,，然后進(jìn)行決策融合,，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,。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，后端融合模型的準(zhǔn)確率變化曲線如圖11所示,，模型的對(duì)數(shù)損失變化曲線如圖12所示,。從圖11和圖12可以看出，當(dāng)epoch值從0增加到5過(guò)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)確率小幅提高,，訓(xùn)練對(duì)數(shù)損失和驗(yàn)證對(duì)數(shù)損失緩慢下降,；綜合分析圖11和圖12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40,。確定模型的訓(xùn)練迭代數(shù)為40后,，進(jìn)行了10折交叉驗(yàn)證實(shí)驗(yàn)。

    快速原型模型部分需求-原型-補(bǔ)充-運(yùn)行外包公司預(yù)先不能明確定義需求的軟件系統(tǒng)的開(kāi)發(fā),，更好的滿足用戶需求并減少由于軟件需求不明確帶來(lái)的項(xiàng)目開(kāi)發(fā)風(fēng)險(xiǎn),。不適合大型系統(tǒng)的開(kāi)發(fā)，前提要有一個(gè)展示性的產(chǎn)品原型,，在一定程度上的補(bǔ)充,，限制開(kāi)發(fā)人員的創(chuàng)新,。螺旋模型每次功能都要**行風(fēng)險(xiǎn)評(píng)估,，需求設(shè)計(jì)-測(cè)試很大程度上是一種風(fēng)險(xiǎn)驅(qū)動(dòng)的方法體系，在每個(gè)階段循環(huán)前,，都進(jìn)行風(fēng)險(xiǎn)評(píng)估,。需要有相當(dāng)豐富的風(fēng)險(xiǎn)評(píng)估經(jīng)驗(yàn)和專門(mén)知識(shí)，在風(fēng)險(xiǎn)較大的項(xiàng)目開(kāi)發(fā)中,，很有必要,，多次迭代，增加成本,。軟件測(cè)試模型需求分析-概要設(shè)計(jì)-詳細(xì)設(shè)計(jì)-開(kāi)發(fā)-單元測(cè)試-集成測(cè)試-系統(tǒng)測(cè)試-驗(yàn)收測(cè)試***清楚標(biāo)識(shí)軟件開(kāi)發(fā)的階段包含底層測(cè)試和高層測(cè)試采用自頂向下逐步求精的方式把整個(gè)開(kāi)發(fā)過(guò)程分成不同的階段,，每個(gè)階段的工作都很明確，便于控制開(kāi)發(fā)過(guò)程,。缺點(diǎn)程序已經(jīng)完成,，錯(cuò)誤在測(cè)試階段發(fā)現(xiàn)或沒(méi)有發(fā)現(xiàn)，不能及時(shí)修改而且需求經(jīng)常變化導(dǎo)致V步驟反復(fù)執(zhí)行,，工作量很大,。W模型開(kāi)發(fā)一個(gè)V測(cè)試一個(gè)V用戶需求驗(yàn)收測(cè)試設(shè)計(jì)需求分析系統(tǒng)測(cè)試設(shè)計(jì)概要設(shè)計(jì)集成測(cè)試設(shè)計(jì)詳細(xì)設(shè)計(jì)單元測(cè)試設(shè)計(jì)編碼單元測(cè)試集成集成測(cè)試運(yùn)行系統(tǒng)測(cè)試交付驗(yàn)收測(cè)試***測(cè)試更早的介入，可以發(fā)現(xiàn)開(kāi)發(fā)初期的缺陷,。5G 與物聯(lián)網(wǎng)：深圳艾策的下一個(gè)技術(shù)前沿,。

    **小化對(duì)數(shù)損失基本等價(jià)于**大化分類器的準(zhǔn)確度，對(duì)于完美的分類器,，對(duì)數(shù)損失值為0,。對(duì)數(shù)損失函數(shù)的計(jì)算公式如下：其中，y為輸出變量即輸出的測(cè)試樣本的檢測(cè)結(jié)果,，x為輸入變量即測(cè)試樣本,，l為損失函數(shù),，n為測(cè)試樣本(待檢測(cè)軟件的二進(jìn)制可執(zhí)行文件)數(shù)目，yij是一個(gè)二值指標(biāo),，表示與輸入的第i個(gè)測(cè)試樣本對(duì)應(yīng)的類別j,，類別j指良性軟件或惡意軟件，pij為輸入的第i個(gè)測(cè)試樣本屬于類別j的概率,，m為總類別數(shù),，本實(shí)施例中m＝2。分類器的性能也可用roc曲線(receiveroperatingcharacteristic)評(píng)價(jià),，roc曲線的縱軸是檢測(cè)率(true****itiverate),，橫軸是誤報(bào)率(false****itiverate)，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,。roc曲線下面積(areaunderroccurve,，auc)的值是評(píng)價(jià)分類器比較綜合的指標(biāo)，auc的值通常介于,，較大的auc值一般表示分類器的性能較優(yōu),。(3)特征提取提取dll和api信息特征視圖dll(dynamiclinklibrary)文件為動(dòng)態(tài)鏈接庫(kù)文件，執(zhí)行某一個(gè)程序時(shí),，相應(yīng)的dll文件就會(huì)被調(diào)用,。一個(gè)應(yīng)用程序可使用多個(gè)dll文件，一個(gè)dll文件也可能被不同的應(yīng)用程序使用,。api(applicationprogramminginterface)函數(shù)是windows提供給用戶作為應(yīng)用程序開(kāi)發(fā)的接口,。第三方測(cè)評(píng)顯示軟件運(yùn)行穩(wěn)定性達(dá)99.8%，未發(fā)現(xiàn)重大系統(tǒng)崩潰隱患,。湖南省軟件測(cè)評(píng)機(jī)構(gòu)

兼容性測(cè)試涵蓋35款設(shè)備,，通過(guò)率91.4%。信息系統(tǒng)安全檢測(cè)

    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,。信息系統(tǒng)安全檢測(cè)