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。深圳艾策信息科技：賦能中小企業(yè)的數(shù)字化未來。軟件檢測報告在哪里辦

    在不知道多長的子序列能更好的表示可執(zhí)行文件的情況下，只能以固定窗口大小在字節(jié)碼序列中滑動，產(chǎn)生大量的短序列，由機器學習方法選擇可能區(qū)分惡意軟件和良性軟件的短序列作為特征，產(chǎn)生短序列的方法叫n-grams?！?80074ff13b2”的字節(jié)碼序列，如果以3-grams產(chǎn)生連續(xù)部分重疊的短序列，將得到“080074”、“0074ff”、“74ff13”、“ff13b2”四個短序列。每個短序列特征的權重表示有多種方法。**簡單的方法是如果該短序列在具體樣本中出現(xiàn)，就表示為1；如果沒有出現(xiàn)，就表示為0，也可以用。本實施例采用3-grams方法提取特征，3-grams產(chǎn)生的短序列非常龐大，將產(chǎn)生224＝(16,777,216)個特征，如此龐大的特征集在計算機內存中存儲和算法效率上都是問題。如果短序列特征的tf較小，對機器學習可能沒有意義，選取了tf**高的5000個短序列特征，計算每個短序列特征的，每個短序列特征的權重是判斷其所在軟件樣本是否為惡意軟件的依據(jù)，也是區(qū)分每個軟件樣本的依據(jù)。(4)前端融合前端融合的架構如圖4所示，前端融合方式將三種模態(tài)的特征合并，然后輸入深度神經(jīng)網(wǎng)絡，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。廈門軟件測評第三方實驗室驗證數(shù)據(jù)處理速度較上代提升1.8倍。

    optimizer)采用的是adagrad，batch_size是40。深度神經(jīng)網(wǎng)絡模型訓練基本都是基于梯度下降的，尋找函數(shù)值下降速度**快的方向，沿著下降方向迭代，迅速到達局部**優(yōu)解的過程就是梯度下降的過程。使用訓練集中的全部樣本訓練一次就是一個epoch，整個訓練集被使用的總次數(shù)就是epoch的值。epoch值的變化會影響深度神經(jīng)網(wǎng)絡的權重值的更新次數(shù)。本次實驗使用了80％的樣本訓練，20％的樣本驗證，訓練50個迭代以便于找到較優(yōu)的epoch值。隨著迭代數(shù)的增加，前端融合模型的準確率變化曲線如圖5所示，模型的對數(shù)損失變化曲線如圖6所示。從圖5和圖6可以看出，當epoch值從0增加到5過程中，模型的驗證準確率和驗證對數(shù)損失有一定程度的波動；當epoch值從5到50的過程中，前端融合模型的訓練準確率和驗證準確率基本不變，訓練和驗證對數(shù)損失基本不變；綜合分析圖5和圖6的準確率和對數(shù)損失變化曲線，選取epoch的較優(yōu)值為30。確定模型的訓練迭代數(shù)為30后，進行了10折交叉驗證實驗。前端融合模型的10折交叉驗證的準確率是％，對數(shù)損失是，混淆矩陣如圖7所示，規(guī)范化后的混淆矩陣如圖8所示。前端融合模型的roc曲線如圖9所示，該曲線反映的是隨著檢測閾值變化下檢測率與誤報率之間的關系曲線。

    之所以被稱為黑盒測試是因為可以將被測程序看成是一個無法打開的黑盒，而工作人員在不軟件測試方法考慮任何程序內部結構和特性的條件下，根據(jù)需求規(guī)格說明書設計測試實例，并檢查程序的功能是否能夠按照規(guī)范說明準確無誤的運行。其主要是對軟件界面和軟件功能進行測試。對于黑盒測試行為必須加以量化才能夠有效的保證軟件的質量。[5]（2）白盒測試。其與黑盒測試不同，它主要是借助程序內部的邏輯和相關信息，通過檢測內部動作是否按照設計規(guī)格說明書的設定進行，檢查每一條通路能否正常工作。白盒測試是從程序結構方面出發(fā)對測試用例進行設計。其主要用于檢查各個邏輯結構是否合理，對應的模塊**路徑是否正常以及內部結構是否有效。常用的白盒測試法有控制流分析、數(shù)據(jù)流分析、路徑分析、程序變異等，其中邏輯覆蓋法是主要的測試方法。[5]（3）灰盒測試?；液袦y試則介于黑盒測試和白盒測試之間?；液袦y試除了重視輸出相對于出入的正確性，也看重其內部表現(xiàn)。但是它不可能像白盒測試那樣詳細和完整。它只是簡單的靠一些象征性的現(xiàn)象或標志來判斷其內部的運行情況，因此在內部結果出現(xiàn)錯誤，但輸出結果正確的情況下可以采取灰盒測試方法。因為在此情況下灰盒比白盒**。漏洞掃描報告顯示依賴庫存在5個已知CVE漏洞。

    的值不一定判定表法根據(jù)因果來制定判定表組成部分1條件樁:所有條件2動作樁:所有結果3條件項:針對條件樁的取值4動作項:針對動作樁的取值不犯罪，不抽*是好男人，不喝酒是好男人，只要打媳婦就是壞男人條件樁1不犯罪1102不抽*1013不喝酒011動作樁好男人11壞男人1場景法模擬用戶操作軟件時的場景，主要用于測試系統(tǒng)的業(yè)務流程先關注功能和業(yè)務是否正確實現(xiàn)，然后再使用等價類和邊界值進行檢測?；玖髡_的業(yè)務流程來實現(xiàn)一條操作路徑備選流模擬一條錯誤的操作流程用例場景要從開始到結束便利用例中所有的基本流和備選流。流程分析法流程-路徑針對路徑使用路徑分析的方法設計測試用例降低測試用例設計難度，只要搞清楚各種流程，就可以設計出高質量的測試用例，而不需要太多測試經(jīng)驗1詳細了解需求2根據(jù)需求說明或界面原型，找出業(yè)務流程的哥哥頁面以及流轉關系3畫出業(yè)務流程axure4寫用例，覆蓋所有路徑分支錯誤推斷法利用經(jīng)驗猜測出出錯的可能類型，列出所有可能的錯誤和容易發(fā)生錯誤的情況。多考慮異常，反面，特殊輸入，以攻擊者的態(tài)度對臺程序。正交表對可選項多種可取值進行均等選取組合，**大概率覆蓋測試用例1根據(jù)控件和取值數(shù)選擇一個合適的正交表2列舉取值并編號。對比分析顯示資源占用率高于同類產(chǎn)品均值26%。貴州第三方軟件測評單位

艾策檢測為新能源汽車電池提供安全性能深度解析。軟件檢測報告在哪里辦

    步驟s2、將軟件樣本中的類別已知的軟件樣本作為訓練樣本，基于多模態(tài)數(shù)據(jù)融合方法，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特征視圖輸入深度神經(jīng)網(wǎng)絡，訓練多模態(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訓練得到的多模態(tài)深度集成模型中，對測試樣本進行檢測并得出檢測結果。進一步的，所述提取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，是統(tǒng)計當前軟件樣本的導入節(jié)中引用的dll和api；所述提取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，是先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，然后按照格式規(guī)范提取**該軟件樣本的格式結構信息；所述提取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，是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。進一步的，采用3-grams方法在十六進制字節(jié)碼序列中滑動產(chǎn)生連續(xù)部分重疊的短序列特征。進一步的。軟件檢測報告在哪里辦