特征之間存在部分重疊，但特征類型間存在著互補，融合這些不同抽象層次的特征可更好的識別軟件的真正性質。且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，但惡意軟件很難同時偽造多個抽象層次的特征逃避檢測?；谠撚^點，本發(fā)明實施例提出一種基于多模態(tài)深度學習的惡意軟件檢測方法，以實現(xiàn)對惡意軟件的有效檢測，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)，提出了通過前端融合、后端融合和中間融合這三種融合方式集成三種模態(tài)的特征，有效提高惡意軟件檢測的準確率和魯棒性，具體步驟如下：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；統(tǒng)計當前軟件樣本的導入節(jié)中引用的dll和api，提取得到當前軟件樣本的二進制可執(zhí)行文件的dll和api信息的特征表示。對當前軟件樣本的二進制可執(zhí)行文件進行格式結構解析，并按照格式規(guī)范提取**該軟件樣本的格式結構信息，得到該軟件樣本的二進制可執(zhí)行文件的pe格式結構信息的特征表示。第三方實驗室驗證數(shù)據(jù)處理速度較上代提升1.8倍。第三方軟件測評機構收費依據(jù)

    對一些質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準。[2]軟件測試方法集成測試集成測試是軟件測試的第二階段，在這個階段，通常要對已經(jīng)嚴格按照程序設計要求和標準組裝起來的模塊同時進行測試，明確該程序結構組裝的正確性，發(fā)現(xiàn)和接口有關的問題，比如模塊接口的數(shù)據(jù)是否會在穿越接口時發(fā)生丟失；各個模塊之間因某種疏忽而產(chǎn)生不利的影響；將模塊各個子功能組合起來后產(chǎn)生的功能要求達不到預期的功能要求；一些在誤差范圍內(nèi)且可接受的誤差由于長時間的積累進而到達了不能接受的程度；數(shù)據(jù)庫因單個模塊發(fā)生錯誤造成自身出現(xiàn)錯誤等等。同時因集成測試是界于單元測試和系統(tǒng)測試之間的，所以，集成測試具有承上啟下的作用。因此有關測試人員必須做好集成測試工作。在這一階段，一般采用的是白盒和黑盒結合的方法進行測試，驗證這一階段設計的合理性以及需求功能的實現(xiàn)性。[2]軟件測試方法系統(tǒng)測試一般情況下，系統(tǒng)測試采用黑盒法來進行測試的，以此來檢查該系統(tǒng)是否符合軟件需求。本階段的主要測試內(nèi)容包括健壯性測試、性能測試、功能測試、安裝或反安裝測試、用戶界面測試、壓力測試、可靠性及安全性測試等。第三方軟件測評機構收費依據(jù)多平臺兼容性測試顯示Linux環(huán)境下存在驅動適配問題。

    先將當前軟件樣本件的二進制可執(zhí)行文件轉換為十六進制字節(jié)碼序列，然后采用n-grams方法在十六進制字節(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，提取得到當前軟件樣本的二進制可執(zhí)行文件的字節(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，是先統(tǒng)計所有類別已知的軟件樣本的pe可執(zhí)行文件引用的dll和api信息，從中選取引用頻率**高的多個dll和api信息；然后判斷當前的軟件樣本的導入節(jié)里是否存在選擇出的某個引用頻率**高的dll和api信息，如存在，則將當前軟件樣本的該dll或api信息以1表示，否則將其以0表示，從而對當前軟件樣本的所有dll和api信息進行表示形成當前軟件樣本的dll和api信息特征視圖。生成軟件樣本的格式信息特征視圖，是從當前軟件樣本的pe格式結構信息中選取可能區(qū)分惡意軟件和良性軟件的pe格式結構特征，形成當前軟件樣本的格式信息特征視圖。從當前軟件樣本的pe格式結構信息中選取可能區(qū)分惡意軟件和良性軟件的pe格式結構特征，是從當前軟件樣本的pe格式結構信息中確定存在特定格式異常的pe格式結構特征以及存在明顯的統(tǒng)計差異的格式結構特征。特定格式異常包括：(1)代碼從**后一節(jié)開始執(zhí)行，(2)節(jié)頭部可疑的屬性，。

    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(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡包含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，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，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。滲透測試報告暴露2個高危API接口需緊急加固。

    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；所述存在明顯的統(tǒng)計差異的格式結構特征包括：(1)無證書表；(2)調試數(shù)據(jù)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。進一步的，所述生成軟件樣本的字節(jié)碼n-grams特征視圖的具體實現(xiàn)過程如下：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；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，k為短序列特征總數(shù)，1≤i≤k；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。進一步的，所述步驟s2采用中間融合方法訓練多模態(tài)深度集成模型。人工智能在金融領域的應用：艾策科技的實踐案例。開平軟件驗收測試

跨設備測試報告指出平板端UI元素存在比例失調問題。第三方軟件測評機構收費依據(jù)

    嘗試了前端融合、后端融合和中間融合三種融合方法對進行有效融合，有效提高了惡意軟件的準確率，具備較好的泛化性能和魯棒性。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。有效解決了現(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結果準確率不高、可靠性低、泛化性和魯棒性不佳的問題。另外，惡意軟件很難同時偽造良性軟件的多個抽象層次的特征以逃避檢測，本發(fā)明實施例同時融合軟件的二進制可執(zhí)行文件的多個抽象層次的特征，可準確檢測出偽造良性軟件特征的惡意軟件，解決了現(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難以檢測出偽造良性軟件特征的惡意軟件的問題。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖**是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是前端融合方法的流程圖。第三方軟件測評機構收費依據(jù)