寧夏第三方軟件測試機構

    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。云計算與 AI 融合：深圳艾策的創(chuàng)新解決方案。寧夏第三方軟件測試機構

    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。灰盒測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**。軟件著作權檢測報告創(chuàng)新光譜分析技術賦能艾策檢測，實現(xiàn)食品藥品中微量有害物質的超痕量檢測。

    **小化對數(shù)損失基本等價于**大化分類器的準確度，對于完美的分類器，對數(shù)損失值為0。對數(shù)損失函數(shù)的計算公式如下：其中，y為輸出變量即輸出的測試樣本的檢測結果，x為輸入變量即測試樣本，l為損失函數(shù)，n為測試樣本(待檢測軟件的二進制可執(zhí)行文件)數(shù)目，yij是一個二值指標，表示與輸入的第i個測試樣本對應的類別j，類別j指良性軟件或惡意軟件，pij為輸入的第i個測試樣本屬于類別j的概率，m為總類別數(shù)，本實施例中m＝2。分類器的性能也可用roc曲線(receiveroperatingcharacteristic)評價，roc曲線的縱軸是檢測率(true****itiverate)，橫軸是誤報率(false****itiverate)，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。roc曲線下面積(areaunderroccurve，auc)的值是評價分類器比較綜合的指標，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)文件為動態(tài)鏈接庫文件，執(zhí)行某一個程序時，相應的dll文件就會被調用。一個應用程序可使用多個dll文件，一個dll文件也可能被不同的應用程序使用。api(applicationprogramminginterface)函數(shù)是windows提供給用戶作為應用程序開發(fā)的接口。

    12)把節(jié)裝入到vmm的地址空間，(13)可選頭部的sizeofcode域取值不正確，(14)含有可疑標志；所述存在明顯的統(tǒng)計差異的格式結構特征包括：(1)無證書表；(2)調試數(shù)據(jù)明顯小于正常文件，(3).text、.rsrc、.reloc和.rdata的characteristics屬性異常，(4)資源節(jié)的資源個數(shù)少于正常文件。進一步的，所述生成軟件樣本的字節(jié)碼n-grams特征視圖的具體實現(xiàn)過程如下：先從當前軟件樣本的所有短序列特征中選取詞頻tf**高的多個短序列特征；然后計算選取的每個短序列特征的逆向文件頻率idf與詞頻tf的乘積，并將其作為選取的每個短序列特征的特征值，，表示該短序列特征表示其所在軟件樣本的能力越強；**后在選取的詞頻tf**高的多個短序列特征中選取，生成字節(jié)碼n-grams特征視圖；：＝tf×idf；其中，ni,j是短序列特征i在軟件樣本j中出現(xiàn)的次數(shù)，∑knk,j指軟件樣本j中所有短序列特征出現(xiàn)的次數(shù)之和，k為短序列特征總數(shù)，1≤i≤k；其中，|d|指軟件樣本j的總數(shù)，|{j:i∈j}|指包含短序列特征i的軟件樣本j的數(shù)目。進一步的，所述步驟s2采用中間融合方法訓練多模態(tài)深度集成模型。數(shù)據(jù)驅動決策：艾策科技如何提升企業(yè)競爭力。

    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)導入地址表被修改，(10)多個pe頭部，(11)可疑的重定位信息，(12)把節(jié)裝入到vmm的地址空間，(13)可選頭部的sizeofcode域取值不正確，(14)含有可疑標志。存在明顯的統(tǒng)計差異的格式結構特征包括：(1)無證書表；(2)調試數(shù)據(jù)明顯小于正常文件，(3).text、.rsrc、.reloc和.rdata的characteristics屬性異常，(4)資源節(jié)的資源個數(shù)少于正常文件。生成軟件樣本的字節(jié)碼n-grams特征視圖，是統(tǒng)計了每個短序列特征的詞頻(termfrequency，tf)，即該短序列特征在軟件樣本中出現(xiàn)的頻率。先從當前軟件樣本的所有短序列特征中選取詞頻tf**高的多個短序列特征；然后計算選取的每個短序列特征的逆向文件頻率idf與詞頻tf的乘積，并將其作為選取的每個短序列特征的特征值，，表示該短序列特征表示其所在軟件樣本的能力越強；**后在選取的詞頻tf**高的多個短序列特征中選取，生成字節(jié)碼n-grams特征視圖。：＝tf×idf；tf(termfrequency)是詞頻，定義如下：其中，ni,j是短序列特征i在軟件樣本j中出現(xiàn)的次數(shù)，∑knk,j指軟件樣本j中所有短序列特征出現(xiàn)的次數(shù)之和?？煽啃栽u估連續(xù)運行72小時出現(xiàn)2次非致命錯誤。軟件產(chǎn)品質量檢測服務

第三方測評顯示軟件運行穩(wěn)定性達99.8%，未發(fā)現(xiàn)重大系統(tǒng)崩潰隱患。寧夏第三方軟件測試機構

    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合以剔除冗余信息，基于領域經(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)分別訓練好的分類器輸出決策進行融合，如圖2所示。寧夏第三方軟件測試機構