且4個隱含層中間間隔設(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個隱含層，其***個隱含層的神經(jīng)元個數(shù)是64，第二個神經(jīng)元的隱含層個數(shù)是10，且2個隱含層中間設(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)練對數(shù)損失和驗(yàn)證對數(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)練對數(shù)損失緩慢下降；綜合分析圖17和圖18的準(zhǔn)確率和對數(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)果比對為了綜合評估本實(shí)施例提出融合方案的綜合性能。數(shù)據(jù)驅(qū)動決策：艾策科技如何提升企業(yè)競爭力。南寧軟件驗(yàn)收測試機(jī)構(gòu)

    后端融合模型的10折交叉驗(yàn)證的準(zhǔn)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(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個隱含層，其***個隱含層的神經(jīng)元個數(shù)是128，第二個隱含層的神經(jīng)元個數(shù)是64，第三個隱含層的神經(jīng)元個數(shù)是32，且3個隱含層中間間隔設(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個隱含層，其***個隱含層的神經(jīng)元個數(shù)是64，其第二個隱含層的神經(jīng)元個數(shù)是32，且2個隱含層中間設(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個隱含層，其***個隱含層的神經(jīng)元個數(shù)是512，第二個隱含層的神經(jīng)元個數(shù)是384，第三個隱含層的神經(jīng)元個數(shù)是256，第四個隱含層的神經(jīng)元個數(shù)是125。長沙第三方軟件測評實(shí)驗(yàn)室代碼質(zhì)量評估顯示注釋覆蓋率不足30%需加強(qiáng)。

    幫助客戶提升內(nèi)部技術(shù)團(tuán)隊(duì)能力。例如，某三甲醫(yī)院在采用艾策科技的醫(yī)療信息化系統(tǒng)檢測方案后，不僅系統(tǒng)漏洞率下降45%，其IT團(tuán)隊(duì)的安全意識與應(yīng)急響應(yīng)能力也提升。技術(shù)創(chuàng)新未來方向艾策科技創(chuàng)始人兼CTO表示：“作為軟件檢測公司，我們始終將技術(shù)創(chuàng)新視為競爭力。未來，公司將重點(diǎn)投入AI算法優(yōu)化、邊緣計(jì)算檢測等前沿領(lǐng)域，為電力能源、政企單位等行業(yè)提供更高效、更智能的質(zhì)量保障服務(wù)?！鄙钲诎咝畔⒖萍加邢薰臼且患伊⒆阌诨浉郯拇鬄硡^(qū)，依托信息技術(shù)產(chǎn)業(yè)，面向全國客戶提供專業(yè)、可靠服務(wù)的第三方CMACNAS檢測機(jī)構(gòu)。在檢測服務(wù)過程中，公司始終堅(jiān)持以客戶需求為本，秉承公平公正的第三方檢測要求，遵循國家檢測標(biāo)準(zhǔn)規(guī)范，確保檢測數(shù)據(jù)和結(jié)果準(zhǔn)確可靠，運(yùn)用前沿A人工智能技術(shù)提高檢測效率。我們追求創(chuàng)造優(yōu)異的社會價值，我們致力于打造公司成為第三方檢測行業(yè)的行業(yè)榜樣。

    **小化對數(shù)損失基本等價于**大化分類器的準(zhǔn)確度，對于完美的分類器，對數(shù)損失值為0。對數(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試樣本的檢測結(jié)果，x為輸入變量即測試樣本，l為損失函數(shù)，n為測試樣本(待檢測軟件的二進(jìn)制可執(zhí)行文件)數(shù)目，yij是一個二值指標(biāo)，表示與輸入的第i個測試樣本對應(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個測試樣本屬于類別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)評價，roc曲線的縱軸是檢測率(true****itiverate)，橫軸是誤報(bào)率(false****itiverate)，該曲線反映的是隨著檢測閾值變化下檢測率與誤報(bào)率之間的關(guān)系曲線。roc曲線下面積(areaunderroccurve，auc)的值是評價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)文件為動態(tài)鏈接庫文件，執(zhí)行某一個程序時，相應(yīng)的dll文件就會被調(diào)用。一個應(yīng)用程序可使用多個dll文件，一個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)用程序開發(fā)的接口。用戶隱私測評確認(rèn)數(shù)據(jù)采集范圍超出聲明條款3項(xiàng)。

    它已被擴(kuò)展成與軟件生命周期融為一體的一組已定義的活動。測試活動遵循軟件生命周期的V字模型。測試人員在需求分析階段便開始著手制訂測試計(jì)劃，并根據(jù)用戶或客戶需求建立測試目標(biāo)，同時設(shè)計(jì)測試用例并制訂測試通過準(zhǔn)則。在集成級上，應(yīng)成立軟件測試**，提供測試技術(shù)培訓(xùn)，關(guān)鍵的測試活動應(yīng)有相應(yīng)的測試工具予以支持。在該測試成熟度等級上，沒有正式的評審程序，沒有建立質(zhì)量過程和產(chǎn)品屬性的測試度量。集成級要實(shí)現(xiàn)4個成熟度目標(biāo)，它們分別是:建立軟件測試**，制訂技術(shù)培訓(xùn)計(jì)劃，軟件全壽命周期測試，控制和監(jiān)視測試過程。(I)建立軟件測試**軟件測試的過程及質(zhì)量對軟件產(chǎn)品質(zhì)量有直接影響。由于測試往往是在時間緊，壓力大的情況下所完成的一系列復(fù)雜的活動，因此應(yīng)由訓(xùn)練有素的人員組成測試組。測試組要完成與測試有關(guān)的多種活動，包括負(fù)責(zé)制訂測試計(jì)劃，實(shí)施測試執(zhí)行，記錄測試結(jié)果，制訂與測試有關(guān)的標(biāo)準(zhǔn)和測試度量，建立鍘試數(shù)據(jù)庫，測試重用，測試**以及測試評價等。建立軟件測試**要實(shí)現(xiàn)4個子目標(biāo):1)建立全**范圍內(nèi)的測試組，并得到上級管理層的領(lǐng)導(dǎo)和各方面的支持，包括經(jīng)費(fèi)支持。2)定義測試組的作用和職責(zé)。3)由訓(xùn)練有素的人員組成測試組?？缭O(shè)備測試報(bào)告指出平板端UI元素存在比例失調(diào)問題。第三方軟件開發(fā)驗(yàn)收測試

5G 與物聯(lián)網(wǎng)：深圳艾策的下一個技術(shù)前沿。南寧軟件驗(yàn)收測試機(jī)構(gòu)

    步驟s2、將軟件樣本中的類別已知的軟件樣本作為訓(xùn)練樣本，基于多模態(tài)數(shù)據(jù)融合方法，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；步驟s3、將軟件樣本中的類別未知的軟件樣本作為測試樣本，并將測試樣本的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特征視圖輸入步驟s2訓(xùn)練得到的多模態(tài)深度集成模型中，對測試樣本進(jìn)行檢測并得出檢測結(jié)果。進(jìn)一步的，所述提取軟件樣本的二進(jìn)制可執(zhí)行文件的dll和api信息的特征表示，是統(tǒng)計(jì)當(dāng)前軟件樣本的導(dǎo)入節(jié)中引用的dll和api；所述提取軟件樣本的二進(jìn)制可執(zhí)行文件的pe格式結(jié)構(gòu)信息的特征表示，是先對當(dāng)前軟件樣本的二進(jìn)制可執(zhí)行文件進(jìn)行格式結(jié)構(gòu)解析，然后按照格式規(guī)范提取**該軟件樣本的格式結(jié)構(gòu)信息；所述提取軟件樣本的二進(jìn)制可執(zhí)行文件的字節(jié)碼n-grams的特征表示，是先將當(dāng)前軟件樣本件的二進(jìn)制可執(zhí)行文件轉(zhuǎn)換為十六進(jìn)制字節(jié)碼序列，然后采用n-grams方法在十六進(jìn)制字節(jié)碼序列中滑動，產(chǎn)生大量的連續(xù)部分重疊的短序列特征。進(jìn)一步的，采用3-grams方法在十六進(jìn)制字節(jié)碼序列中滑動產(chǎn)生連續(xù)部分重疊的短序列特征。進(jìn)一步的。南寧軟件驗(yàn)收測試機(jī)構(gòu)