山东标度软件评测有限公司

    不*可以用于回归测试，也可以为以后的测试提供参考。[4](8)错误不可避免原则。在测试时不能首先假设程序中没有错误。[4]软件测试方法分类编辑软件测试方法的分类有很多种，以测试过程中程序执行状态为依据可分为静态测试（StaticTesting，ST）和动态测试（DynamicTesting，DT）;以具体实现算法细节和系统内部结构的相关情况为根据可分黑盒测试、白盒测试和灰盒测试三类;从程序执行的方式来分类，可分为人工测试（ManualTesting，MT）和自动化测试（AutomaticTesting，AT）。[5]软件测试方法静态测试和动态测试（1）静态测试。静态测试的含义是被测程序不运行，只依靠分析或检查源程序的语句、结构、过程等来检查程序是否有错误。即通过对软件的需求规格说明书、设计说明书以及源程序做结构分析和流程图分析，从而来找出错误。例如不匹配的参数，未定义的变量等。[5]（2）动态测试。动态测试与静态测试相对应，其是通过运行被测试程序，对得到的运行结果与预期的结果进行比较分析，同时分析运行效率和健壮性能等。这种方法可简单分为三个步骤:构造测试实例、执行程序以及分析结果。[5]软件测试方法黑盒测试、白盒测试和灰盒测试（1）黑盒测试。第三方测评显示软件运行稳定性达99.8%，未发现重大系统崩溃隐患。山东标度软件评测有限公司

    以备实际测试严重偏离计划时使用。在TMM的定义级，测试过程中引入计划能力，在TMM的集成级，测试过程引入控制和监视活动。两者均为测试过程提供了可见性，为测试过程持续进行提供保证。第四级管理和测量级在管理和测量级，测试活动除测试被测程序外，还包括软件生命周期中各个阶段的评审，审查和追查，使测试活动涵盖了软件验证和软件确认活动。根据管理和测量级的要求，软件工作产品以及与测试相关的工作产品，如测试计划，测试设计和测试步骤都要经过评审。因为测试是一个可以量化并度量的过程。为了测量测试过程，测试人员应建立测试数据库。收集和记录各软件工程项目中使用的测试用例，记录缺陷并按缺陷的严重程度划分等级。此外，所建立的测试规程应能够支持软件组终对测试过程的控制和测量。管理和测量级有3个要实现的成熟度目标:建立**范围内的评审程序，建立测试过程的测量程序和软件质量评价。(I)建立**范围内的评审程序软件**应在软件生命周期的各阶段实施评审，以便尽早有效地识别，分类和消除软件中的缺陷。建立评审程序有4个子目标:1)管理层要制订评审政策支持评审过程。2)测试组和软件质量保证组要确定并文档化整个软件生命周期中的评审目标，评审计划。国际机构第三方软件测评艾策科技：如何用数据分析重塑企业决策！

    在数字化转型加速的，软件检测公司已成为保障各行业信息化系统稳定运行的力量。深圳艾策信息科技有限公司作为国内软件检测公司领域的企业，始终以技术创新为驱动力，深耕电力能源、科研教育、政企单位、研发科技及医疗机构等垂直场景，为客户提供从需求分析到运维优化的全链条质量保障服务。以专业能力筑牢行业壁垒作为专注于软件检测的技术型企业，艾策科技通过AI驱动的智能检测平台，实现了测试流程的自动化、化与智能化。其产品——软件检测系统，整合漏洞扫描、压力测试、合规性验证等20余项功能模块，可快速定位代码缺陷、性能瓶颈及安全风险，帮助客户将软件故障率降低60%以上。针对电力能源行业，艾策科技开发了电网调度系统专项检测方案，成功保障某省级电力公司百万级用户数据安全；在科研教育领域，其实验室管理软件检测服务覆盖全国50余所高校，助力科研数据存储与分析的合规性升级。此外，公司为政企单位政务云平台、研发科技企业创新产品、医疗机构智慧医疗系统提供的定制化检测服务，均获得客户高度认可。差异化服务塑造行业作为软件检测公司，艾策科技突破传统检测模式，推出“检测+培训+咨询”一体化服务体系。通过定期发布行业安全白皮书、举办技术研讨会。

    先将训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图分别输入至一个深度神经网络中抽取高等特征表示，然后合并抽取的高等特征表示并将其作为下一个深度神经网络的输入进行模型训练，得到多模态深度集成模型。进一步的，所述多模态深度集成模型的隐藏层的***函数采用relu，输出层的***函数采用sigmoid，中间使用dropout层进行正则化，优化器采用adagrad。进一步的，所述训练得到的多模态深度集成模型中，用于抽取dll和api信息特征视图的深度神经网络包含3个隐含层，且3个隐含层中间间隔设置有dropout层；用于抽取格式信息特征视图的深度神经网络包含2个隐含层，且2个隐含层中间设置有dropout层；用于抽取字节码n-grams特征视图的深度神经网络包含4个隐含层，且4个隐含层中间间隔设置有dropout层；用于输入合并抽取的高等特征表示的深度神经网络包含2个隐含层，且2个隐含层中间设置有dropout层；所述dropout层的dropout率均等于。本发明实施例的有益效果是，提出了一种基于多模态深度学习的恶意软件检测方法，应用了多模态深度学习方法来融合dll和api、格式结构信息、字节码n-grams特征。数据安全与合规：艾策科技的最佳实践。

    且4个隐含层中间间隔设置有dropout层。用于输入合并抽取的高等特征表示的深度神经网络包含2个隐含层，其***个隐含层的神经元个数是64，第二个神经元的隐含层个数是10，且2个隐含层中间设置有dropout层。且所有dropout层的dropout率等于。本次实验使用了80％的样本训练，20％的样本验证，训练50个迭代以便于找到较优的epoch值。随着迭代数的增加，中间融合模型的准确率变化曲线如图17所示，模型的对数损失变化曲线如图18所示。从图17和图18可以看出，当epoch值从0增加到20过程中，模型的训练准确率和验证准确率快速提高，模型的训练对数损失和验证对数损失快速减少；当epoch值从30到50的过程中，中间融合模型的训练准确率和验证准确率基本保持不变，训练对数损失缓慢下降；综合分析图17和图18的准确率和对数损失变化曲线，选取epoch的较优值为30。确定模型的训练迭代数为30后，进行了10折交叉验证实验。中间融合模型的10折交叉验证的准确率是％，对数损失是，混淆矩阵如图19所示，规范化后的混淆矩阵如图20所示。中间融合模型的roc曲线如图21所示，auc值为，已经非常接近auc的**优值1。(7)实验结果比对为了综合评估本实施例提出融合方案的综合性能。无障碍测评认定视觉障碍用户支持功能缺失4项。浙江 软件 评测机构

代码签名验证确认所有组件均经过可信机构认证。山东标度软件评测有限公司

    将三种模态特征和三种融合方法的结果进行了对比，如表3所示。从表3可以看出，前端融合和中间融合较基于模态特征的检测准确率更高，损失率更低。后端融合是三种融合方法中较弱的，虽然明显优于基于dll和api信息、pe格式结构特征的实验结果，但稍弱于基于字节码3-grams特征的结果。中间融合是三种融合方法中**好的，各项性能指标都非常接近**优值。表3实验结果对比本实施例提出了基于多模态深度学习的恶意软件检测方法，提取了三种模态的特征(dll和api信息、pe格式结构信息和字节码3-grams)，提出了通过三种融合方式(前端融合、后端融合、中间融合)集成三种模态的特征，有效提高恶意软件检测的准确率和鲁棒性。实验结果显示，相对**且互补的特征视图和不同深度学习融合机制的使用明显提高了检测方法的检测能力和泛化性能，其中较优的中间融合方法取得了％的准确率，对数损失为，auc值为，各项性能指标已接近**优值。考虑到样本集可能存在噪声，本实施例提出的方法已取得了比较理想的结果。由于恶意软件很难同时伪造多个模态的特征，本实施例提出的方法比单模态特征方法更鲁棒。以上所述*为本发明的较佳实施例而已，并非用于限定本发明的保护范围。山东标度软件评测有限公司