第三方軟件性能測試服務(wù)

    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。無障礙測評認定視覺障礙用戶支持功能缺失4項。第三方軟件性能測試服務(wù)

    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。西寧第三方軟件檢測公司企業(yè)數(shù)字化轉(zhuǎn)型指南：艾策科技的實用建議。

    ***級初始級TMM初始級軟件測試過程的特點是測試過程無序，有時甚至是混亂的，幾乎沒有妥善定義的。初始級中軟件的測試與調(diào)試常常被混為一談，軟件開發(fā)過程中缺乏測試資源，工具以及訓(xùn)練有素的測試人員。初始級的軟件測試過程沒有定義成熟度目標。第二級定義級TMM的定義級中，測試己具備基本的測試技術(shù)和方法，軟件的測試與調(diào)試己經(jīng)明確地被區(qū)分開。這時，測試被定義為軟件生命周期中的一個階段，它緊隨在編碼階段之后。但在定義級中，測試計劃往往在編碼之后才得以制訂，這顯然有背于軟件工程的要求。TMM的定義級中需實現(xiàn)3個成熟度目標:制訂測試與調(diào)試目標，啟動測試計劃過程，制度化基本的測試技術(shù)和方法。(I)制訂測試與調(diào)試目標軟件**必須消晰地區(qū)分軟件開發(fā)的測試過程與調(diào)試過程，識別各自的目標，任務(wù)和括動。正確區(qū)分這兩個過程是提高軟件**測試能力的基礎(chǔ)。與調(diào)試工作不同，測試工作是一種有計劃的活動，可以進行管理和控制。這種管理和控制活動需要制訂相應(yīng)的策略和政策，以確定和協(xié)調(diào)這兩個過程。制訂測試與調(diào)試目標包含5個子成熟度目標:1)分別形成測試**和調(diào)試**，并有經(jīng)費支持。2)規(guī)劃并記錄測試目標。3)規(guī)劃井記錄調(diào)試目標。4)將測試和調(diào)試目標形成文檔。

    圖2是后端融合方法的流程圖。圖3是中間融合方法的流程圖。圖4是前端融合模型的架構(gòu)圖。圖5是前端融合模型的準確率變化曲線圖。圖6是前端融合模型的對數(shù)損失變化曲線圖。圖7是前端融合模型的檢測混淆矩陣示意圖。圖8是規(guī)范化前端融合模型的檢測混淆矩陣示意圖。圖9是前端融合模型的roc曲線圖。圖10是后端融合模型的架構(gòu)圖。圖11是后端融合模型的準確率變化曲線圖。圖12是后端融合模型的對數(shù)損失變化曲線圖。圖13是后端融合模型的檢測混淆矩陣示意圖。圖14是規(guī)范化后端融合模型的檢測混淆矩陣示意圖。圖15是后端融合模型的roc曲線圖。圖16是中間融合模型的架構(gòu)圖。圖17是中間融合模型的準確率變化曲線圖。圖18是中間融合模型的對數(shù)損失變化曲線圖。圖19是中間融合模型的檢測混淆矩陣示意圖。圖20是規(guī)范化中間融合模型的檢測混淆矩陣示意圖。圖21是中間融合模型的roc曲線圖。具體實施方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例**是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。5G 與物聯(lián)網(wǎng)：深圳艾策的下一個技術(shù)前沿。

    程序利用windows提供的接口(windowsapi)實現(xiàn)程序的功能。通過一個可執(zhí)行程序引用的動態(tài)鏈接庫(dll)和應(yīng)用程序接口(api)可以粗略的預(yù)測該程序的功能和行為。統(tǒng)計所有樣本的導(dǎo)入節(jié)中引用的dll和api的頻率，留下引用頻率**高的60個dll和500個api。提取特征時，每個樣本的導(dǎo)入節(jié)里存在選擇出的dll或api，該特征以1表示，不存在則以0表示，提取的560個dll和api特征作為***個特征視圖。提取格式信息特征視圖pe是portableexecutable的縮寫，初衷是希望能開發(fā)一個在所有windows平臺上和所有cpu上都可執(zhí)行的通用文件格式。pe格式文件是封裝windows操作系統(tǒng)加載程序所需的信息和管理可執(zhí)行代碼的數(shù)據(jù)結(jié)構(gòu)，數(shù)據(jù)**是大量的字節(jié)碼和數(shù)據(jù)結(jié)構(gòu)的有機融合。pe文件格式被**為一個線性的數(shù)據(jù)流，由pe文件頭、節(jié)表和節(jié)實體組成。惡意軟件或被惡意軟件***的可執(zhí)行文件，它本身也遵循格式要求的約束，但可能存在以下特定格式異常：(1)代碼從**后一節(jié)開始執(zhí)行；(2)節(jié)頭部可疑的屬性；(3)pe可選頭部有效尺寸的值不正確；(4)節(jié)之間的“間縫”；(5)可疑的代碼重定向；(6)可疑的代碼節(jié)名稱；(7)可疑的頭部***；(8)來自；(9)導(dǎo)入地址表被修改；(10)多個pe頭部；(11)可疑的重定位信息；。用戶隱私測評確認數(shù)據(jù)采集范圍超出聲明條款3項。軟件檢測認證中心

性能基準測試GPU利用率未達理論最大值67%。第三方軟件性能測試服務(wù)

    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。第三方軟件性能測試服務(wù)