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(jié)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(jié)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(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)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(lǐng)域普通技術(shù)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。代碼審計發(fā)現(xiàn)2處潛在內(nèi)存泄漏風險，建議版本迭代修復(fù)。貴州第三方軟件測試公司

    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(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，然后合并學習得到的特征表示，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。軟件驗證測試報告用戶體驗測評中界面交互評分低于同類產(chǎn)品均值15.6%。

    將三種模態(tài)特征和三種融合方法的結(jié)果進行了對比，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)特征的檢測準確率更高，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)特征的實驗結(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，各項性能指標都非常接近**優(yōu)值。表3實驗結(jié)果對比本實施例提出了基于多模態(tài)深度學習的惡意軟件檢測方法，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的準確率和魯棒性。實驗結(jié)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，各項性能指標已接近**優(yōu)值。考慮到樣本集可能存在噪聲，本實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偽造多個模態(tài)的特征，本實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)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。

    以備實際測試嚴重偏離計劃時使用。在TMM的定義級，測試過程中引入計劃能力，在TMM的集成級，測試過程引入控制和監(jiān)視活動。兩者均為測試過程提供了可見性，為測試過程持續(xù)進行提供保證。第四級管理和測量級在管理和測量級，測試活動除測試被測程序外，還包括軟件生命周期中各個階段的評審，審查和追查，使測試活動涵蓋了軟件驗證和軟件確認活動。根據(jù)管理和測量級的要求，軟件工作產(chǎn)品以及與測試相關(guān)的工作產(chǎn)品，如測試計劃，測試設(shè)計和測試步驟都要經(jīng)過評審。因為測試是一個可以量化并度量的過程。為了測量測試過程，測試人員應(yīng)建立測試數(shù)據(jù)庫。收集和記錄各軟件工程項目中使用的測試用例，記錄缺陷并按缺陷的嚴重程度劃分等級。此外，所建立的測試規(guī)程應(yīng)能夠支持軟件組終對測試過程的控制和測量。管理和測量級有3個要實現(xiàn)的成熟度目標:建立**范圍內(nèi)的評審程序，建立測試過程的測量程序和軟件質(zhì)量評價。(I)建立**范圍內(nèi)的評審程序軟件**應(yīng)在軟件生命周期的各階段實施評審，以便盡早有效地識別，分類和消除軟件中的缺陷。建立評審程序有4個子目標:1)管理層要制訂評審政策支持評審過程。2)測試組和軟件質(zhì)量保證組要確定并文檔化整個軟件生命周期中的評審目標，評審計劃。艾策科技發(fā)布產(chǎn)品：智能企業(yè)管理平臺。

    保留了較多信息，同時由于操作數(shù)比較隨機，某種程度上又沒有抓住主要矛盾，干擾了主要語義信息的提取。pe文件即可移植文件導(dǎo)入節(jié)中的動態(tài)鏈接庫(dll)和應(yīng)用程序接口(api)信息能大致反映軟件的功能和性質(zhì)，通過一個可執(zhí)行程序引用的dll和api信息可以粗略的預(yù)測該程序的功能和行為。belaoued和mazouzi應(yīng)用統(tǒng)計khi2檢驗分析了pe格式的惡意軟件和良性軟件的導(dǎo)入節(jié)中的dll和api信息，分析顯示惡意軟件和良性軟件使用的dll和api信息統(tǒng)計上有明顯的區(qū)別。后續(xù)的研究人員提出了挖掘dll和api信息的惡意軟件檢測方法，該類方法提取的特征語義信息豐富，但*從二進制可執(zhí)行文件的導(dǎo)入節(jié)提取特征，忽略了整個可執(zhí)行文件的大量信息。惡意軟件和被***二進制可執(zhí)行文件格式信息上存在一些異常，這些異常是檢測惡意軟件的關(guān)鍵。研究人員提出了基于二進制可執(zhí)行文件格式結(jié)構(gòu)信息的惡意軟件檢測方法，這類方法從二進制可執(zhí)行文件的pe文件頭、節(jié)頭部、資源節(jié)等提取特征，基于這些特征使用機器學習分類算法處理，取得了較高的檢測準確率。這類方法通常不受變形或多態(tài)等混淆技術(shù)影響，提取特征只需要對pe文件進行格式解析，無需遍歷整個可執(zhí)行文件，提取特征速度較快。對比分析顯示資源占用率高于同類產(chǎn)品均值26%。昆明軟件測試機構(gòu)

安全掃描確認軟件通過ISO 27001標準，無高危漏洞記錄。貴州第三方軟件測試公司

    每一種信息的來源或者形式，都可以稱為一種模態(tài)。例如，人有觸覺，聽覺，視覺，嗅覺。多模態(tài)機器學習旨在通過機器學習的方法實現(xiàn)處理和理解多源模態(tài)信息的能力。多模態(tài)學習從1970年代起步，經(jīng)歷了幾個發(fā)展階段，在2010年后***步入深度學習(deeplearning)階段。在某種意義上，深度學習可以被看作是允許我們“混合和匹配”不同模型以創(chuàng)建復(fù)雜的深度多模態(tài)模型。目前，多模態(tài)數(shù)據(jù)融合主要有三種融合方式：前端融合(early-fusion)即數(shù)據(jù)水平融合(data-levelfusion)、后端融合(late-fusion)即決策水平融合(decision-levelfusion)以及中間融合(intermediate-fusion)。前端融合將多個**的數(shù)據(jù)集融合成一個單一的特征向量空間，然后將其用作機器學習算法的輸入，訓(xùn)練機器學習模型，如圖1所示。由于多模態(tài)數(shù)據(jù)的前端融合往往無法充分利用多個模態(tài)數(shù)據(jù)間的互補性，且前端融合的原始數(shù)據(jù)通常包含大量的冗余信息。因此，多模態(tài)前端融合方法常常與特征提取方法相結(jié)合以剔除冗余信息，基于領(lǐng)域經(jīng)驗從每個模態(tài)中提取更高等別的特征表示，或者應(yīng)用深度學習算法直接學習特征表示，然后在特性級別上進行融合。后端融合則是將不同模態(tài)數(shù)據(jù)分別訓(xùn)練好的分類器輸出決策進行融合，如圖2所示。貴州第三方軟件測試公司