蘇州市軟件測評中心

    k為短序列特征總數(shù)，1≤i≤k?？蓤?zhí)行文件長短大小不一，為了防止該特征統(tǒng)計有偏，使用∑knk,j進行歸一化處理。逆向文件頻率(inversedocumentfrequency，idf)是一個短序列特征普遍重要性的度量。某一短序列特征的idf，可以由總樣本實施例件數(shù)目除以包含該短序列特征之樣本實施例件的數(shù)目，再將得到的商取對數(shù)得到：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。idf的主要思想是：如果包含短序列特征i的軟件練樣本越少，也就是|{j:i∈j}|越小，idf越大，則說明短序列特征i具有很好的類別區(qū)分能力。：如果某一特征在某樣本中以較高的頻率出現(xiàn)，而包含該特征的樣本數(shù)目較小，可以產(chǎn)生出高權(quán)重的，該特征的。因此，，保留重要的特征。此處選取可能區(qū)分惡意軟件和良性軟件的短序列特征，是因為字節(jié)碼n-grams提取的特征很多，很多都是無效特征，或者效果非常一般的特征，保持這些特征會影響檢測方法的性能和效率，所以要選出有效的特征即可能區(qū)分惡意軟件和良性軟件的短序列特征。步驟s2、將軟件樣本中的類別已知的軟件樣本作為訓練樣本，然后分別采用前端融合方法、后端融合方法和中間融合方法設(shè)計三種不同方案的多模態(tài)數(shù)據(jù)融合方法。負載測試證實系統(tǒng)最大承載量較宣傳數(shù)據(jù)低18%。蘇州市軟件測評中心

    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。軟件 系統(tǒng)上線安全檢測基于 AI 視覺識別的自動化檢測系統(tǒng)，助力艾策實現(xiàn)生產(chǎn)線上的零缺陷品控目標！

    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?？紤]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。

    生成取值表。3把取值表與選擇的正交表進行映射控件數(shù)Ln(取值數(shù))3個控件5個取值5的3次冪混合正交表當控件的取值數(shù)目水平不一致時候，使用allp**rs工具生成1等價類劃分法劃分值2邊界值分析法邊界值3錯誤推斷法經(jīng)驗4因果圖分析法關(guān)系5判定表法條件和結(jié)果6流程圖法流程路徑梳理7場景法主要功能和業(yè)務的事件8正交表先關(guān)注主要功能和業(yè)務流程，業(yè)務邏輯是否正確實現(xiàn)，考慮場景法需要輸入數(shù)據(jù)的地方，考慮等價類劃分法+邊界值分析法，發(fā)現(xiàn)程序錯誤的能力**強存在輸入條件的組合情況，考慮因果圖判定表法多種參數(shù)配置組合情況，正交表排列法采用錯誤推斷法再追加測試用例。需求分析場景法分析主要功能輸入的等價類邊界值輸入的各種組合因果圖判定表多種參數(shù)配置正交表錯誤推斷法經(jīng)驗軟件缺陷軟件產(chǎn)品中存在的問題，用戶所需要的功能沒有完全實現(xiàn)。艾策科技發(fā)布產(chǎn)品：智能企業(yè)管理平臺。

    坐標點(0,1)**一個完美的分類器，它將所有的樣本都正確分類。roc曲線越接近左上角，該分類器的性能越好。從圖9可以看出，該方案的roc曲線非常接近左上角，性能較優(yōu)。另外，前端融合模型的auc值為。(5)后端融合后端融合的架構(gòu)如圖10所示，后端融合方式用三種模態(tài)的特征分別訓練神經(jīng)網(wǎng)絡模型，然后進行決策融合，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。本次實驗使用了80％的樣本訓練，20％的樣本驗證，訓練50個迭代以便于找到較優(yōu)的epoch值。隨著迭代數(shù)的增加，后端融合模型的準確率變化曲線如圖11所示，模型的對數(shù)損失變化曲線如圖12所示。從圖11和圖12可以看出，當epoch值從0增加到5過程中，模型的訓練準確率和驗證準確率快速提高，模型的訓練對數(shù)損失和驗證對數(shù)損失快速減少；當epoch值從5到50的過程中，前端融合模型的訓練準確率和驗證準確率小幅提高，訓練對數(shù)損失和驗證對數(shù)損失緩慢下降；綜合分析圖11和圖12的準確率和對數(shù)損失變化曲線，選取epoch的較優(yōu)值為40。確定模型的訓練迭代數(shù)為40后，進行了10折交叉驗證實驗。深圳艾策信息科技：賦能中小企業(yè)的數(shù)字化未來。第三方軟件安全測評怎么做

用戶隱私測評確認數(shù)據(jù)采集范圍超出聲明條款3項。蘇州市軟件測評中心

    2）軟件產(chǎn)品登記測試流程材料準備并遞交------實驗室受理------環(huán)境準備------測試實施------輸出報告------通知客戶------繳費并取報告服務區(qū)域北京、上海、廣州、深圳、重慶、杭州、南京、蘇州等**各地軟件測試報告|軟件檢測報告以“軟件質(zhì)量為目標，貫穿整個軟件生命周期、覆蓋軟件測試生命周期”的**測試服務模式，真正做到了“軟件測試應該越早介入越好的原則”，從軟件生命周期的每一個環(huán)節(jié)把控軟件產(chǎn)品質(zhì)量；提供軟件產(chǎn)品質(zhì)量度量依據(jù)，提供軟件可靠性分析依據(jù)。軟件成果鑒定測試結(jié)果可以作為軟件類科技成果鑒定的依據(jù)。提供功能、性能、標準符合性、易用性、安全性、可靠性等專項測試服務?？萍柬椖框炇諟y試報告及鑒定結(jié)論,可以真實反映指標的技術(shù)水平和市場價值,有助于項目成交和產(chǎn)品營銷。蘇州市軟件測評中心