軟件測評第三方公司

    先將當前軟件樣本件的二進制可執(zhí)行文件轉換為十六進制字節(jié)碼序列，然后采用n-grams方法在十六進制字節(jié)碼序列中滑動，產(chǎn)生大量的連續(xù)部分重疊的短序列特征，提取得到當前軟件樣本的二進制可執(zhí)行文件的字節(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，是先統(tǒng)計所有類別已知的軟件樣本的pe可執(zhí)行文件引用的dll和api信息，從中選取引用頻率**高的多個dll和api信息；然后判斷當前的軟件樣本的導入節(jié)里是否存在選擇出的某個引用頻率**高的dll和api信息，如存在，則將當前軟件樣本的該dll或api信息以1表示，否則將其以0表示，從而對當前軟件樣本的所有dll和api信息進行表示形成當前軟件樣本的dll和api信息特征視圖。生成軟件樣本的格式信息特征視圖，是從當前軟件樣本的pe格式結構信息中選取可能區(qū)分惡意軟件和良性軟件的pe格式結構特征，形成當前軟件樣本的格式信息特征視圖。從當前軟件樣本的pe格式結構信息中選取可能區(qū)分惡意軟件和良性軟件的pe格式結構特征，是從當前軟件樣本的pe格式結構信息中確定存在特定格式異常的pe格式結構特征以及存在明顯的統(tǒng)計差異的格式結構特征。特定格式異常包括：(1)代碼從**后一節(jié)開始執(zhí)行，(2)節(jié)頭部可疑的屬性，。艾策檢測針對智能穿戴設備開發(fā)動態(tài)壓力測試系統(tǒng)，確保人機交互的舒適性與安全性。軟件測評第三方公司

    在不知道多長的子序列能更好的表示可執(zhí)行文件的情況下，只能以固定窗口大小在字節(jié)碼序列中滑動，產(chǎn)生大量的短序列，由機器學習方法選擇可能區(qū)分惡意軟件和良性軟件的短序列作為特征，產(chǎn)生短序列的方法叫n-grams。“080074ff13b2”的字節(jié)碼序列，如果以3-grams產(chǎn)生連續(xù)部分重疊的短序列，將得到“080074”、“0074ff”、“74ff13”、“ff13b2”四個短序列。每個短序列特征的權重表示有多種方法。**簡單的方法是如果該短序列在具體樣本中出現(xiàn)，就表示為1；如果沒有出現(xiàn)，就表示為0，也可以用。本實施例采用3-grams方法提取特征，3-grams產(chǎn)生的短序列非常龐大，將產(chǎn)生224＝(16,777,216)個特征，如此龐大的特征集在計算機內(nèi)存中存儲和算法效率上都是問題。如果短序列特征的tf較小，對機器學習可能沒有意義，選取了tf**高的5000個短序列特征，計算每個短序列特征的，每個短序列特征的權重是判斷其所在軟件樣本是否為惡意軟件的依據(jù)，也是區(qū)分每個軟件樣本的依據(jù)。(4)前端融合前端融合的架構如圖4所示，前端融合方式將三種模態(tài)的特征合并，然后輸入深度神經(jīng)網(wǎng)絡，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。第三方醫(yī)療軟件測評公司安全審計發(fā)現(xiàn)日志模塊存在敏感信息明文存儲缺陷。

    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如圖16所示，中間融合方式用深度神經(jīng)網(wǎng)絡從三種模態(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)絡的輸入訓練模型，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。

    optimizer)采用的是adagrad，batch_size是40。深度神經(jīng)網(wǎng)絡模型訓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，迅速到達局部**優(yōu)解的過程就是梯度下降的過程。使用訓練集中的全部樣本訓練一次就是一個epoch，整個訓練集被使用的總次數(shù)就是epoch的值。epoch值的變化會影響深度神經(jīng)網(wǎng)絡的權重值的更新次數(shù)。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，前端融合模型的準確率變化曲線如圖5所示，模型的對數(shù)損失變化曲線如圖6所示。從圖5和圖6可以看出，當epoch值從0增加到5過程中，模型的驗證準確率和驗證對數(shù)損失有一定程度的波動；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基本不變，訓練和驗證對數(shù)損失基本不變；綜合分析圖5和圖6的準確率和對數(shù)損失變化曲線，選取epoch的較優(yōu)值為30。確定模型的訓練迭代數(shù)為30后，進行了10折交叉驗證實驗。前端融合模型的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閾值變化下檢測率與誤報率之間的關系曲線。性能基準測試GPU利用率未達理論最大值67%。

    沒有滿足用戶的需求1未達到需求規(guī)格說明書表明的功能2出現(xiàn)了需求規(guī)格說明書指明不會出現(xiàn)的錯誤3軟件功能超出了需求規(guī)格說明書指明的范圍4軟件質(zhì)量不夠高維護性移植性效率性可靠性易用性功能性健壯性等5軟件未達到軟件需求規(guī)格說明書未指出但是應該達到的目標計算器沒電了下次還得能正常使用6測試或用戶覺得不好軟件缺陷的表現(xiàn)形式1功能沒有完全實現(xiàn)2產(chǎn)品的實際結果和所期望的結果不一致3沒有達到需求規(guī)格說明書所規(guī)定的的性能指標等4運行出錯斷電運行終端系統(tǒng)崩潰5界面排版重點不突出，格式不統(tǒng)一6用戶不能接受的其他問題軟件缺陷產(chǎn)生的原因需求錯誤需求記錄錯誤設計說明錯誤代碼錯誤兼容性錯誤時間不充足缺陷的信息缺陷id缺陷標題缺陷嚴重程度缺陷的優(yōu)先級缺陷的所屬模塊缺陷的詳細描述缺陷提交時間缺陷的嚴重程度劃分1blocker系統(tǒng)癱瘓異常退出計算錯誤大部分功能不能使用死機2major功能點不符合用戶需求數(shù)據(jù)丟失3normal**功能特定調(diào)點斷斷續(xù)續(xù)4Trivial細小的錯誤優(yōu)先級劃分緊急高中低。隱私合規(guī)檢測確認用戶數(shù)據(jù)加密符合GDPR標準要求。第三方軟件評測中心

數(shù)字化轉型中的挑戰(zhàn)與應對：艾策科技的經(jīng)驗分享。軟件測評第三方公司

    圖書目錄第1章軟件測試描述第2章常見的軟件測試方法第3章設計測試第4章程序分析技術第5章測試分析技術第6章測試自動化的優(yōu)越性第7章測試計劃與測試標準第8章介紹一種企業(yè)級測試工具第9章學習一種負載測試軟件第10章軟件測試的經(jīng)驗總結附錄A常見測試術語附錄B測試技術分類附錄C常見的編碼錯誤附錄D有關的測試網(wǎng)站參考文獻軟件測試技術圖書4書名:軟件測試技術第2版作者：徐芳層次：高職高專配套：電子課件出版社：機械工業(yè)出版社出版時間：2012-06-26ISBN:978-7-111-37884-6開本：16開定價:目錄第1章開始軟件測試工作第2章執(zhí)行系統(tǒng)測試第3章測試用例設計第4章測試工具應用第5章測試技術與應用第6章成為***的測試組長第7章測試文檔實例詞條圖冊更多圖冊。軟件測評第三方公司