寧波第三方軟件檢測(cè)報(bào)告

    optimizer)采用的是adagrad，batch_size是40。深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)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(dá)局部**優(yōu)解的過(guò)程就是梯度下降的過(guò)程。使用訓(xùn)練集中的全部樣本訓(xùn)練一次就是一個(gè)epoch，整個(gè)訓(xùn)練集被使用的總次數(shù)就是epoch的值。epoch值的變化會(huì)影響深度神經(jīng)網(wǎng)絡(luò)的權(quán)重值的更新次數(shù)。本次實(shí)驗(yàn)使用了80％的樣本訓(xùn)練，20％的樣本驗(yàn)證，訓(xùn)練50個(gè)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(zhǔn)確率變化曲線如圖5所示，模型的對(duì)數(shù)損失變化曲線如圖6所示。從圖5和圖6可以看出，當(dāng)epoch值從0增加到5過(guò)程中，模型的驗(yàn)證準(zhǔn)確率和驗(yàn)證對(duì)數(shù)損失有一定程度的波動(dòng)；當(dāng)epoch值從5到50的過(guò)程中，前端融合模型的訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率基本不變，訓(xùn)練和驗(yàn)證對(duì)數(shù)損失基本不變；綜合分析圖5和圖6的準(zhǔn)確率和對(duì)數(shù)損失變化曲線，選取epoch的較優(yōu)值為30。確定模型的訓(xùn)練迭代數(shù)為30后，進(jìn)行了10折交叉驗(yàn)證實(shí)驗(yàn)。前端融合模型的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(cè)閾值變化下檢測(cè)率與誤報(bào)率之間的關(guān)系曲線。深圳艾策信息科技：賦能中小企業(yè)的數(shù)字化未來(lái)。寧波第三方軟件檢測(cè)報(bào)告

    在介紹諸多知識(shí)點(diǎn)的過(guò)程當(dāng)中結(jié)合直觀形象的圖表或?qū)嶋H案例進(jìn)行深入淺出的分析，從而使讀者可以更好地理解秋掌握軟件測(cè)試?yán)碚撝R(shí)，并迅速地運(yùn)用到實(shí)際測(cè)試工作中去。本書(shū)適合作為各層次高等院校計(jì)算機(jī)及相關(guān)的教學(xué)用書(shū)，也可作為軟件測(cè)試人員的參考書(shū)。目錄前言第1章概述第2章軟件測(cè)試基礎(chǔ)第3章單元測(cè)試第4章集成測(cè)試第5章系統(tǒng)測(cè)試……軟件測(cè)試技術(shù)圖書(shū)2書(shū)名:軟件測(cè)試技術(shù)層次：高職高專配套：電子課件作者：徐芳出版社：機(jī)械工業(yè)出版社出版時(shí)間：2011-6-21ISBN:開(kāi)本：16開(kāi)定價(jià):￥內(nèi)容簡(jiǎn)介本書(shū)根據(jù)軟件測(cè)試教學(xué)的需要，結(jié)合讀者對(duì)象未來(lái)的職業(yè)要求和定位，除了盡力***闡述軟件測(cè)試技術(shù)基本概念外，采取了計(jì)劃、設(shè)計(jì)與開(kāi)發(fā)、執(zhí)行這樣的工程步驟來(lái)描述軟件測(cè)試的相關(guān)知識(shí)，使學(xué)生在學(xué)習(xí)軟件測(cè)試的技術(shù)知識(shí)時(shí)，能夠同時(shí)獲得工程化思維方式的訓(xùn)練。本書(shū)共7章。第1章介紹軟件測(cè)試的基本知識(shí)；第2章介紹如何制定軟件測(cè)試計(jì)劃；第3章介紹測(cè)試用例的設(shè)計(jì)和相關(guān)技術(shù)；第4章介紹執(zhí)行測(cè)試中相關(guān)技術(shù)和方法；第5章介紹實(shí)際工作中各種測(cè)試方法；第6章介紹MI公司的一套測(cè)試工具的使用，包括功能、性能和測(cè)試管理工具；第7章通過(guò)一個(gè)實(shí)例，給出了完整的與軟件測(cè)試相關(guān)的文檔。代碼滲透測(cè)試從傳統(tǒng)到智能：艾策科技助力制造業(yè)升級(jí)之路。

    這種傳統(tǒng)方式幾乎不能檢測(cè)未知的新的惡意軟件種類，能檢測(cè)的已知惡意軟件經(jīng)過(guò)簡(jiǎn)單加殼或混淆后又不能檢測(cè)，且使用多態(tài)變形技術(shù)的惡意軟件在傳播過(guò)程中不斷隨機(jī)的改變著二進(jìn)制文件內(nèi)容，沒(méi)有固定的特征，使用該方法也不能檢測(cè)。新出現(xiàn)的惡意軟件，特別是zero-day惡意軟件，在釋放到互聯(lián)網(wǎng)前，都使用主流的反**軟件測(cè)試，確保主流的反**軟件無(wú)法識(shí)別這些惡意軟件，使得當(dāng)前的反**軟件通常對(duì)它們無(wú)能為力，只有在惡意軟件大規(guī)模傳染后，捕獲到這些惡意軟件樣本，提取簽名和更新簽名庫(kù)，才能檢測(cè)這些惡意軟件?；跀?shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的惡意軟件檢測(cè)方法將可執(zhí)行文件表示成不同抽象層次的特征，使用這些特征來(lái)訓(xùn)練分類模型，可實(shí)現(xiàn)惡意軟件的智能檢測(cè)，基于這些特征的檢測(cè)方法也取得了較高的準(zhǔn)確率。受文本分類方法的啟發(fā)，研究人員提出了基于二進(jìn)制可執(zhí)行文件字節(jié)碼n-grams的惡意軟件檢測(cè)方法，這類方法提取的特征覆蓋了整個(gè)二進(jìn)制可執(zhí)行文件，包括pe文件頭、代碼節(jié)、數(shù)據(jù)節(jié)、導(dǎo)入節(jié)、資源節(jié)等信息，但字節(jié)碼n-grams特征通常沒(méi)有明顯的語(yǔ)義信息，大量具有語(yǔ)義的信息丟失，很多語(yǔ)義信息提取不完整。此外，基于字節(jié)碼n-grams的檢測(cè)方法提取代碼節(jié)信息考慮了機(jī)器指令的操作數(shù)。

    **小化對(duì)數(shù)損失基本等價(jià)于**大化分類器的準(zhǔn)確度，對(duì)于完美的分類器，對(duì)數(shù)損失值為0。對(duì)數(shù)損失函數(shù)的計(jì)算公式如下：其中，y為輸出變量即輸出的測(cè)試樣本的檢測(cè)結(jié)果，x為輸入變量即測(cè)試樣本，l為損失函數(shù)，n為測(cè)試樣本(待檢測(cè)軟件的二進(jìn)制可執(zhí)行文件)數(shù)目，yij是一個(gè)二值指標(biāo)，表示與輸入的第i個(gè)測(cè)試樣本對(duì)應(yīng)的類別j，類別j指良性軟件或惡意軟件，pij為輸入的第i個(gè)測(cè)試樣本屬于類別j的概率，m為總類別數(shù)，本實(shí)施例中m＝2。分類器的性能也可用roc曲線(receiveroperatingcharacteristic)評(píng)價(jià)，roc曲線的縱軸是檢測(cè)率(true****itiverate)，橫軸是誤報(bào)率(false****itiverate)，該曲線反映的是隨著檢測(cè)閾值變化下檢測(cè)率與誤報(bào)率之間的關(guān)系曲線。roc曲線下面積(areaunderroccurve，auc)的值是評(píng)價(jià)分類器比較綜合的指標(biāo)，auc的值通常介于，較大的auc值一般表示分類器的性能較優(yōu)。(3)特征提取提取dll和api信息特征視圖dll(dynamiclinklibrary)文件為動(dòng)態(tài)鏈接庫(kù)文件，執(zhí)行某一個(gè)程序時(shí)，相應(yīng)的dll文件就會(huì)被調(diào)用。一個(gè)應(yīng)用程序可使用多個(gè)dll文件，一個(gè)dll文件也可能被不同的應(yīng)用程序使用。api(applicationprogramminginterface)函數(shù)是windows提供給用戶作為應(yīng)用程序開(kāi)發(fā)的接口。安全審計(jì)發(fā)現(xiàn)日志模塊存在敏感信息明文存儲(chǔ)缺陷。

    先將訓(xùn)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特征視圖分別輸入至一個(gè)深度神經(jīng)網(wǎng)絡(luò)中抽取高等特征表示，然后合并抽取的高等特征表示并將其作為下一個(gè)深度神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行模型訓(xùn)練，得到多模態(tài)深度集成模型。進(jìn)一步的，所述多模態(tài)深度集成模型的隱藏層的***函數(shù)采用relu，輸出層的***函數(shù)采用sigmoid，中間使用dropout層進(jìn)行正則化，優(yōu)化器采用adagrad。進(jìn)一步的，所述訓(xùn)練得到的多模態(tài)深度集成模型中，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，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，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，且4個(gè)隱含層中間間隔設(shè)置有dropout層；用于輸入合并抽取的高等特征表示的深度神經(jīng)網(wǎng)絡(luò)包含2個(gè)隱含層，且2個(gè)隱含層中間設(shè)置有dropout層；所述dropout層的dropout率均等于。本發(fā)明實(shí)施例的有益效果是，提出了一種基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測(cè)方法，應(yīng)用了多模態(tài)深度學(xué)習(xí)方法來(lái)融合dll和api、格式結(jié)構(gòu)信息、字節(jié)碼n-grams特征。數(shù)據(jù)驅(qū)動(dòng)決策：艾策科技如何提升企業(yè)競(jìng)爭(zhēng)力。電網(wǎng)軟件測(cè)試實(shí)驗(yàn)室

艾策紡織品檢測(cè)實(shí)驗(yàn)室配備氣候老化模擬艙，驗(yàn)證戶外用品的耐久性與色牢度。寧波第三方軟件檢測(cè)報(bào)告

    不*可以用于回歸測(cè)試，也可以為以后的測(cè)試提供參考。[4](8)錯(cuò)誤不可避免原則。在測(cè)試時(shí)不能首先假設(shè)程序中沒(méi)有錯(cuò)誤。[4]軟件測(cè)試方法分類編輯軟件測(cè)試方法的分類有很多種，以測(cè)試過(guò)程中程序執(zhí)行狀態(tài)為依據(jù)可分為靜態(tài)測(cè)試（StaticTesting，ST）和動(dòng)態(tài)測(cè)試（DynamicTesting，DT）;以具體實(shí)現(xiàn)算法細(xì)節(jié)和系統(tǒng)內(nèi)部結(jié)構(gòu)的相關(guān)情況為根據(jù)可分黑盒測(cè)試、白盒測(cè)試和灰盒測(cè)試三類;從程序執(zhí)行的方式來(lái)分類，可分為人工測(cè)試（ManualTesting，MT）和自動(dòng)化測(cè)試（AutomaticTesting，AT）。[5]軟件測(cè)試方法靜態(tài)測(cè)試和動(dòng)態(tài)測(cè)試（1）靜態(tài)測(cè)試。靜態(tài)測(cè)試的含義是被測(cè)程序不運(yùn)行，只依靠分析或檢查源程序的語(yǔ)句、結(jié)構(gòu)、過(guò)程等來(lái)檢查程序是否有錯(cuò)誤。即通過(guò)對(duì)軟件的需求規(guī)格說(shuō)明書(shū)、設(shè)計(jì)說(shuō)明書(shū)以及源程序做結(jié)構(gòu)分析和流程圖分析，從而來(lái)找出錯(cuò)誤。例如不匹配的參數(shù)，未定義的變量等。[5]（2）動(dòng)態(tài)測(cè)試。動(dòng)態(tài)測(cè)試與靜態(tài)測(cè)試相對(duì)應(yīng)，其是通過(guò)運(yùn)行被測(cè)試程序，對(duì)得到的運(yùn)行結(jié)果與預(yù)期的結(jié)果進(jìn)行比較分析，同時(shí)分析運(yùn)行效率和健壯性能等。這種方法可簡(jiǎn)單分為三個(gè)步驟:構(gòu)造測(cè)試實(shí)例、執(zhí)行程序以及分析結(jié)果。[5]軟件測(cè)試方法黑盒測(cè)試、白盒測(cè)試和灰盒測(cè)試（1）黑盒測(cè)試。寧波第三方軟件檢測(cè)報(bào)告