第三方CNAS軟件測(cè)評(píng)服務(wù)

來(lái)源: 發(fā)布時(shí)間:2025-04-26

    收藏查看我的收藏0有用+1已投票0軟件測(cè)試技術(shù)編輯鎖定討論上傳視頻軟件測(cè)試技術(shù)是軟件開(kāi)發(fā)過(guò)程中的一個(gè)重要組成部分,是貫穿整個(gè)軟件開(kāi)發(fā)生命周期、對(duì)軟件產(chǎn)品(包括階段性產(chǎn)品)進(jìn)行驗(yàn)證和確認(rèn)的活動(dòng)過(guò)程,其目的是盡快盡早地發(fā)現(xiàn)在軟件產(chǎn)品中所存在的各種問(wèn)題——與用戶(hù)需求、預(yù)先定義的不一致性。檢查軟件產(chǎn)品的bug。寫(xiě)成測(cè)試報(bào)告,交于開(kāi)發(fā)人員修改。軟件測(cè)試人員的基本目標(biāo)是發(fā)現(xiàn)軟件中的錯(cuò)誤。中文名軟件測(cè)試技術(shù)簡(jiǎn)介單元測(cè)試、集成測(cè)試主要步驟測(cè)試設(shè)計(jì)與開(kāi)發(fā)常見(jiàn)測(cè)試回歸測(cè)試功能測(cè)試目錄1主要步驟2基本功能3測(cè)試目標(biāo)4測(cè)試目的5常見(jiàn)測(cè)試6測(cè)試分類(lèi)7測(cè)試工具8同名圖書(shū)?圖書(shū)1?圖書(shū)2?圖書(shū)3?圖書(shū)4軟件測(cè)試技術(shù)主要步驟編輯1、測(cè)試計(jì)劃2、測(cè)試設(shè)計(jì)與開(kāi)發(fā)3、執(zhí)行測(cè)試軟件測(cè)試技術(shù)基本功能編輯1、驗(yàn)證(Verification)2、確認(rèn)(Validation)軟件測(cè)試人員應(yīng)具備的知識(shí):1、軟件測(cè)試技術(shù)2、被測(cè)試應(yīng)用程序及相關(guān)應(yīng)用領(lǐng)域軟件測(cè)試技術(shù)測(cè)試目標(biāo)編輯1、軟件測(cè)試人員所追求的是盡可能早地找出軟件的錯(cuò)誤;2、軟件測(cè)試人員必須確保找出的軟件錯(cuò)誤得以關(guān)閉。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(hù)外用品的耐久性與色牢度。第三方CNAS軟件測(cè)評(píng)服務(wù)

第三方CNAS軟件測(cè)評(píng)服務(wù),測(cè)評(píng)

    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,其***個(gè)隱含層的神經(jīng)元個(gè)數(shù)是64,第二個(gè)神經(jīng)元的隱含層個(gè)數(shù)是10,且2個(gè)隱含層中間設(shè)置有dropout層。且所有dropout層的dropout率等于。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,中間融合模型的準(zhǔn)確率變化曲線如圖17所示,模型的對(duì)數(shù)損失變化曲線如圖18所示。從圖17和圖18可以看出,當(dāng)epoch值從0增加到20過(guò)程中,模型的訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率快速提高,模型的訓(xùn)練對(duì)數(shù)損失和驗(yàn)證對(duì)數(shù)損失快速減少;當(dāng)epoch值從30到50的過(guò)程中,中間融合模型的訓(xùn)練準(zhǔn)確率和驗(yàn)證準(zhǔn)確率基本保持不變,訓(xùn)練對(duì)數(shù)損失緩慢下降;綜合分析圖17和圖18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)。中間融合模型的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19所示,規(guī)范化后的混淆矩陣如圖20所示。中間融合模型的roc曲線如圖21所示,auc值為,已經(jīng)非常接近auc的**優(yōu)值1。(7)實(shí)驗(yàn)結(jié)果比對(duì)為了綜合評(píng)估本實(shí)施例提出融合方案的綜合性能。軟件功能性評(píng)測(cè)2025 年 IT 趨勢(shì)展望:深圳艾策的五大技術(shù)突破。

第三方CNAS軟件測(cè)評(píng)服務(wù),測(cè)評(píng)

    此外格式結(jié)構(gòu)信息具有明顯的語(yǔ)義信息,但基于格式結(jié)構(gòu)信息的檢測(cè)方法沒(méi)有提取決定軟件行為的代碼節(jié)和數(shù)據(jù)節(jié)信息作為特征。某一種類(lèi)型的特征都從不同的視角反映刻畫(huà)了可執(zhí)行文件的一些性質(zhì),字節(jié)碼n-grams、dll和api信息、格式結(jié)構(gòu)信息都部分捕捉到了惡意軟件和良性軟件間的可區(qū)分信息,但都存在著一定的局限性,不能充分、綜合、整體的表示可執(zhí)行文件的本質(zhì),使得檢測(cè)結(jié)果準(zhǔn)確率不高、可靠性低、泛化性和魯棒性不佳。此外,惡意軟件通常偽造出和良性軟件相似的特征,逃避反**軟件的檢測(cè)。技術(shù)實(shí)現(xiàn)要素:本發(fā)明實(shí)施例的目的在于提供一種基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測(cè)方法,以解決現(xiàn)有采用二進(jìn)制可執(zhí)行文件的單一特征類(lèi)型進(jìn)行惡意軟件檢測(cè)的檢測(cè)方法檢測(cè)準(zhǔn)確率不高、檢測(cè)可靠性低、泛化性和魯棒性不佳的問(wèn)題,以及其難以檢測(cè)出偽造良性軟件特征的惡意軟件的問(wèn)題。本發(fā)明實(shí)施例所采用的技術(shù)方案是,基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測(cè)方法,按照以下步驟進(jìn)行:步驟s1、提取軟件樣本的二進(jìn)制可執(zhí)行文件的dll和api信息、pe格式結(jié)構(gòu)信息以及字節(jié)碼n-grams的特征表示,生成軟件樣本的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。

    2)軟件產(chǎn)品登記測(cè)試流程材料準(zhǔn)備并遞交------實(shí)驗(yàn)室受理------環(huán)境準(zhǔn)備------測(cè)試實(shí)施------輸出報(bào)告------通知客戶(hù)------繳費(fèi)并取報(bào)告服務(wù)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(cè)試報(bào)告|軟件檢測(cè)報(bào)告以“軟件質(zhì)量為目標(biāo),貫穿整個(gè)軟件生命周期、覆蓋軟件測(cè)試生命周期”的**測(cè)試服務(wù)模式,真正做到了“軟件測(cè)試應(yīng)該越早介入越好的原則”,從軟件生命周期的每一個(gè)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(cè)試結(jié)果可以作為軟件類(lèi)科技成果鑒定的依據(jù)。提供功能、性能、標(biāo)準(zhǔn)符合性、易用性、安全性、可靠性等專(zhuān)項(xiàng)測(cè)試服務(wù)。科技項(xiàng)目驗(yàn)收測(cè)試報(bào)告及鑒定結(jié)論,可以真實(shí)反映指標(biāo)的技術(shù)水平和市場(chǎng)價(jià)值,有助于項(xiàng)目成交和產(chǎn)品營(yíng)銷(xiāo)。代碼審計(jì)發(fā)現(xiàn)2處潛在內(nèi)存泄漏風(fēng)險(xiǎn),建議版本迭代修復(fù)。

第三方CNAS軟件測(cè)評(píng)服務(wù),測(cè)評(píng)

    特征之間存在部分重疊,但特征類(lèi)型間存在著互補(bǔ),融合這些不同抽象層次的特征可更好的識(shí)別軟件的真正性質(zhì)。且惡意軟件通常偽造出和良性軟件相似的特征,逃避反**軟件的檢測(cè),但惡意軟件很難同時(shí)偽造多個(gè)抽象層次的特征逃避檢測(cè)?;谠撚^點(diǎn),本發(fā)明實(shí)施例提出一種基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測(cè)方法,以實(shí)現(xiàn)對(duì)惡意軟件的有效檢測(cè),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(guò)前端融合、后端融合和中間融合這三種融合方式集成三種模態(tài)的特征,有效提高惡意軟件檢測(cè)的準(zhǔn)確率和魯棒性,具體步驟如下:步驟s1、提取軟件樣本的二進(jìn)制可執(zhí)行文件的dll和api信息、pe格式結(jié)構(gòu)信息以及字節(jié)碼n-grams的特征表示,生成軟件樣本的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;統(tǒng)計(jì)當(dāng)前軟件樣本的導(dǎo)入節(jié)中引用的dll和api,提取得到當(dāng)前軟件樣本的二進(jìn)制可執(zhí)行文件的dll和api信息的特征表示。對(duì)當(dāng)前軟件樣本的二進(jìn)制可執(zhí)行文件進(jìn)行格式結(jié)構(gòu)解析,并按照格式規(guī)范提取**該軟件樣本的格式結(jié)構(gòu)信息,得到該軟件樣本的二進(jìn)制可執(zhí)行文件的pe格式結(jié)構(gòu)信息的特征表示。企業(yè)數(shù)字化轉(zhuǎn)型指南:艾策科技的實(shí)用建議。軟件功能性評(píng)測(cè)

深圳艾策信息科技:賦能中小企業(yè)的數(shù)字化未來(lái)。第三方CNAS軟件測(cè)評(píng)服務(wù)

    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。第三方CNAS軟件測(cè)評(píng)服務(wù)

標(biāo)簽: 測(cè)評(píng)