4)建立與用戶或客戶的聯(lián)系，收集他們對(duì)測(cè)試的需求和建議。(II)制訂技術(shù)培訓(xùn)計(jì)劃為高效率地完成好測(cè)試工作，測(cè)試人員必須經(jīng)過(guò)適當(dāng)?shù)呐嘤?xùn)。制訂技術(shù)培訓(xùn)規(guī)劃有3個(gè)子目標(biāo):1)制訂**的培訓(xùn)計(jì)劃，并在管理上提供包括經(jīng)費(fèi)在內(nèi)的支持。2)制訂培訓(xùn)目標(biāo)和具體的培訓(xùn)計(jì)劃。3)成立培訓(xùn)組，配備相應(yīng)的工具，設(shè)備和教材(III)軟件全生命周期測(cè)試提高測(cè)試成熟度和改善軟件產(chǎn)品質(zhì)量都要求將測(cè)試工作與軟件生命周期中的各個(gè)階段聯(lián)系起來(lái)。該目標(biāo)有4個(gè)子目標(biāo):1)將測(cè)試階段劃分為子階段，并與軟件生命周期的各階段相聯(lián)系。2)基于已定義的測(cè)試子階段，采用軟件生命周期V字模型。3)制訂與淵試相關(guān)的工作產(chǎn)品的標(biāo)準(zhǔn)。4)建立測(cè)試人員與開(kāi)發(fā)人員共同工作的機(jī)制。這種機(jī)制有利于促進(jìn)將測(cè)試活動(dòng)集成于軟件生命周期中(IV)控制和監(jiān)視測(cè)試過(guò)程為控制和監(jiān)視測(cè)試過(guò)程，軟件**需采取相應(yīng)措施，如:制訂測(cè)試產(chǎn)品的標(biāo)準(zhǔn)，制訂與測(cè)試相關(guān)的偶發(fā)事件的處理預(yù)案，確定測(cè)試?yán)锍瘫_定評(píng)估測(cè)試效率的度量，建立測(cè)試日志等?？刂坪捅O(jiān)視測(cè)試過(guò)程有3個(gè)子目標(biāo):1)制訂控制和監(jiān)視測(cè)試過(guò)程的機(jī)制和政策。2)定義，記錄并分配一組與測(cè)試過(guò)程相關(guān)的基本測(cè)量。3)開(kāi)發(fā)，記錄并文檔化一組糾偏措施和偶發(fā)事件處理預(yù)案。2025 年 IT 趨勢(shì)展望：深圳艾策的五大技術(shù)突破。臺(tái)山軟件產(chǎn)品檢測(cè)報(bào)告

    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(biāo)志；所述存在明顯的統(tǒng)計(jì)差異的格式結(jié)構(gòu)特征包括：(1)無(wú)證書(shū)表；(2)調(diào)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(gè)數(shù)少于正常文件。進(jìn)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(shí)現(xiàn)過(guò)程如下：先從當(dāng)前軟件樣本的所有短序列特征中選取詞頻tf**高的多個(gè)短序列特征；然后計(jì)算選取的每個(gè)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(gè)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(qiáng)；**后在選取的詞頻tf**高的多個(gè)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(jìn)一步的，所述步驟s2采用中間融合方法訓(xùn)練多模態(tài)深度集成模型。無(wú)錫第三方軟件測(cè)試機(jī)構(gòu)自動(dòng)化測(cè)試發(fā)現(xiàn)7個(gè)邊界條件未處理的異常情況。

    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。

    將三種模態(tài)特征和三種融合方法的結(jié)果進(jìn)行了對(duì)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(cè)準(zhǔn)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(jié)構(gòu)特征的實(shí)驗(yàn)結(jié)果，但稍弱于基于字節(jié)碼3-grams特征的結(jié)果。中間融合是三種融合方法中**好的，各項(xiàng)性能指標(biāo)都非常接近**優(yōu)值。表3實(shí)驗(yàn)結(jié)果對(duì)比本實(shí)施例提出了基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測(cè)方法，提取了三種模態(tài)的特征(dll和api信息、pe格式結(jié)構(gòu)信息和字節(jié)碼3-grams)，提出了通過(guò)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(cè)的準(zhǔn)確率和魯棒性。實(shí)驗(yàn)結(jié)果顯示，相對(duì)**且互補(bǔ)的特征視圖和不同深度學(xué)習(xí)融合機(jī)制的使用明顯提高了檢測(cè)方法的檢測(cè)能力和泛化性能，其中較優(yōu)的中間融合方法取得了％的準(zhǔn)確率，對(duì)數(shù)損失為，auc值為，各項(xiàng)性能指標(biāo)已接近**優(yōu)值。考慮到樣本集可能存在噪聲，本實(shí)施例提出的方法已取得了比較理想的結(jié)果。由于惡意軟件很難同時(shí)偽造多個(gè)模態(tài)的特征，本實(shí)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(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。基于 AI 視覺(jué)識(shí)別的自動(dòng)化檢測(cè)系統(tǒng)，助力艾策實(shí)現(xiàn)生產(chǎn)線上的零缺陷品控目標(biāo)！

    比黑盒適用性廣的優(yōu)勢(shì)就凸顯出來(lái)了。[5]軟件測(cè)試方法手動(dòng)測(cè)試和自動(dòng)化測(cè)試自動(dòng)化測(cè)試，顧名思義就是軟件測(cè)試的自動(dòng)化，即在預(yù)先設(shè)定的條件下運(yùn)行被測(cè)程序，并分析運(yùn)行結(jié)果?？偟膩?lái)說(shuō)，這種測(cè)試方法就是將以人驅(qū)動(dòng)的測(cè)試行為轉(zhuǎn)化為機(jī)器執(zhí)行的一種過(guò)程。對(duì)于手動(dòng)測(cè)試，其在設(shè)計(jì)了測(cè)試用例之后，需要測(cè)試人員根據(jù)設(shè)計(jì)的測(cè)試用例一步一步來(lái)執(zhí)行測(cè)試得到實(shí)際結(jié)果，并將其與期望結(jié)果進(jìn)行比對(duì)。[5]軟件測(cè)試方法不同階段測(cè)試編輯軟件測(cè)試方法單元測(cè)試單元測(cè)試主要是對(duì)該軟件的模塊進(jìn)行測(cè)試，通過(guò)測(cè)試以發(fā)現(xiàn)該模塊的實(shí)際功能出現(xiàn)不符合的情況和編碼錯(cuò)誤。由于該模塊的規(guī)模不大，功能單一，結(jié)構(gòu)較簡(jiǎn)單，且測(cè)試人員可通過(guò)閱讀源程序清楚知道其邏輯結(jié)構(gòu)，首先應(yīng)通過(guò)靜態(tài)測(cè)試方法，比如靜態(tài)分析、代碼審查等，對(duì)該模塊的源程序進(jìn)行分析，按照模塊的程序設(shè)計(jì)的控制流程圖，以滿足軟件覆蓋率要求的邏輯測(cè)試要求。另外，也可采用黑盒測(cè)試方法提出一組基本的測(cè)試用例，再用白盒測(cè)試方法進(jìn)行驗(yàn)證。若用黑盒測(cè)試方法所產(chǎn)生的測(cè)試用例滿足不了軟件的覆蓋要求，可采用白盒法增補(bǔ)出新的測(cè)試用例，以滿足所需的覆蓋標(biāo)準(zhǔn)。其所需的覆蓋標(biāo)準(zhǔn)應(yīng)視模塊的實(shí)際具體情況而定。數(shù)字化轉(zhuǎn)型中的挑戰(zhàn)與應(yīng)對(duì)：艾策科技的經(jīng)驗(yàn)分享。重慶軟件檢測(cè)報(bào)告價(jià)格

艾策檢測(cè)針對(duì)智能穿戴設(shè)備開(kāi)發(fā)動(dòng)態(tài)壓力測(cè)試系統(tǒng)，確保人機(jī)交互的舒適性與安全性。臺(tái)山軟件產(chǎn)品檢測(cè)報(bào)告

    收藏查看我的收藏0有用+1已投票0軟件測(cè)試方法編輯鎖定本詞條由“科普**”科學(xué)百科詞條編寫(xiě)與應(yīng)用工作項(xiàng)目審核。軟件測(cè)試是使用人工或自動(dòng)的手段來(lái)運(yùn)行或測(cè)定某個(gè)軟件系統(tǒng)的過(guò)程，其目的在于檢驗(yàn)它是否滿足規(guī)定的需求或弄清預(yù)期結(jié)果與實(shí)際結(jié)果之間的差別。[1]從是否關(guān)心軟件內(nèi)部結(jié)構(gòu)和具體實(shí)現(xiàn)的角度劃分，測(cè)試方法主要有白盒測(cè)試和黑盒測(cè)試。白盒測(cè)試方法主要有代碼檢査法、靜態(tài)結(jié)構(gòu)分析法、靜態(tài)質(zhì)量度量法、邏輯覆蓋法、基夲路徑測(cè)試法、域測(cè)試、符號(hào)測(cè)試、路徑覆蓋和程序變異。黑盒測(cè)試方法主要包括等價(jià)類劃分法、邊界值分析法、錯(cuò)誤推測(cè)法、因果圖法、判定表驅(qū)動(dòng)法、正交試驗(yàn)設(shè)計(jì)法、功能圖法、場(chǎng)景法等。[1]從是否執(zhí)行程序的角度劃分，測(cè)試方法又可分為靜態(tài)測(cè)試和動(dòng)態(tài)測(cè)試。靜態(tài)測(cè)試包括代碼檢査、靜態(tài)結(jié)構(gòu)分析、代碼質(zhì)量度量等。動(dòng)態(tài)測(cè)試由3部分組成：構(gòu)造測(cè)試實(shí)例、執(zhí)行程序和分析程序的輸出結(jié)果。臺(tái)山軟件產(chǎn)品檢測(cè)報(bào)告