廣州軟件檢測(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。負(fù)載測(cè)試證實(shí)系統(tǒng)最大承載量較宣傳數(shù)據(jù)低18%。廣州軟件檢測(cè)報(bào)告

    本發(fā)明屬于惡意軟件防護(hù)技術(shù)領(lǐng)域：：，涉及一種基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測(cè)方法。背景技術(shù)：：：惡意軟件是指在未明確提示用戶或未經(jīng)用戶許可的情況下，故意編制或設(shè)置的，對(duì)網(wǎng)絡(luò)或系統(tǒng)會(huì)產(chǎn)生威脅或潛在威脅的計(jì)算機(jī)軟件。常見(jiàn)的惡意軟件有計(jì)算機(jī)**(簡(jiǎn)稱**)、特洛伊木馬(簡(jiǎn)稱木馬)、計(jì)算機(jī)蠕蟲(簡(jiǎn)稱蠕蟲)、后門、邏輯**等。惡意軟件可能在用戶不知情的情況下竊取計(jì)算機(jī)用戶的信息和隱私，也可能非法獲得計(jì)算機(jī)系統(tǒng)和網(wǎng)絡(luò)資源的控制，破壞計(jì)算機(jī)和網(wǎng)絡(luò)的可信性、完整性和可用性，從而為惡意軟件控制者謀取非法利益。騰訊安全發(fā)布的《2017年度互聯(lián)網(wǎng)安全報(bào)告》顯示，2017年騰訊電腦管家pc端總計(jì)攔截**近30億次，平均每月攔截木馬**近，共發(fā)現(xiàn)**或木馬***。這些數(shù)目龐大、名目繁多的惡意軟件侵蝕著我國(guó)的***、經(jīng)濟(jì)、文化、***等各個(gè)領(lǐng)域的信息安全，帶來(lái)了前所未有的挑戰(zhàn)。當(dāng)前的反**軟件主要采用基于特征碼的檢測(cè)方法，這種方法通過(guò)對(duì)代碼進(jìn)行充分研究，獲得惡意軟件特征值(即每種惡意軟件所獨(dú)有的十六進(jìn)制代碼串)，如字節(jié)序列、特定的字符串等，通過(guò)匹配查找軟件中是否包含惡意軟件特征庫(kù)中的特征碼來(lái)判斷其是否為惡意軟件。第三方軟件性能測(cè)試報(bào)告多少錢第三方測(cè)評(píng)顯示軟件運(yùn)行穩(wěn)定性達(dá)99.8%，未發(fā)現(xiàn)重大系統(tǒng)崩潰隱患。

    將三種模態(tài)特征和三種融合方法的結(jié)果進(jìn)行了對(duì)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(cè)準(zhǔn)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(shí)驗(yàn)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(xiàng)性能指標(biāo)都非常接近**優(yōu)值。表3實(shí)驗(yàn)結(jié)果對(duì)比本實(shí)施例提出了基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測(cè)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(guò)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(cè)的準(zhǔn)確率和魯棒性。實(shí)驗(yàn)結(jié)果顯示，相對(duì)**且互補(bǔ)的特征視圖和不同深度學(xué)習(xí)融合機(jī)制的使用明顯提高了檢測(cè)方法的檢測(cè)能力和泛化性能，其中較優(yōu)的中間融合方法取得了％的準(zhǔn)確率，對(duì)數(shù)損失為，auc值為，各項(xiàng)性能指標(biāo)已接近**優(yōu)值?？紤]到樣本集可能存在噪聲，本實(shí)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(shí)偽造多個(gè)模態(tài)的特征，本實(shí)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(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。

    評(píng)審步驟以及評(píng)審記錄機(jī)制。3)評(píng)審項(xiàng)由上層****。通過(guò)培訓(xùn)參加評(píng)審的人員，使他們理解和遵循相牢的評(píng)審政策，評(píng)審步驟。(II)建立測(cè)試過(guò)程的測(cè)量程序測(cè)試過(guò)程的側(cè)量程序是評(píng)價(jià)測(cè)試過(guò)程質(zhì)量，改進(jìn)測(cè)試過(guò)程的基礎(chǔ)，對(duì)監(jiān)視和控制測(cè)試過(guò)程至關(guān)重要。測(cè)量包括測(cè)試進(jìn)展，測(cè)試費(fèi)用，軟件錯(cuò)誤和缺陷數(shù)據(jù)以及產(chǎn)品淵量等。建立淵試測(cè)量程序有3個(gè)子目標(biāo):1)定義**范圍內(nèi)的測(cè)試過(guò)程測(cè)量政策和目標(biāo)。2)制訂測(cè)試過(guò)程測(cè)量計(jì)劃。測(cè)量計(jì)劃中應(yīng)給出收集，分析和應(yīng)用測(cè)量數(shù)據(jù)的方法。3)應(yīng)用測(cè)量結(jié)果制訂測(cè)試過(guò)程改進(jìn)計(jì)劃。(III)軟件質(zhì)量評(píng)價(jià)軟件質(zhì)量評(píng)價(jià)內(nèi)容包括定義可測(cè)量的軟件質(zhì)量屬性，定義評(píng)價(jià)軟件工作產(chǎn)品的質(zhì)量目標(biāo)等項(xiàng)工作。軟件質(zhì)量評(píng)價(jià)有2個(gè)子目標(biāo):1)管理層，測(cè)試組和軟件質(zhì)量保證組要制訂與質(zhì)量有關(guān)的政策，質(zhì)量目標(biāo)和軟件產(chǎn)品質(zhì)量屬性。2)測(cè)試過(guò)程應(yīng)是結(jié)構(gòu)化，己測(cè)量和己評(píng)價(jià)的，以保證達(dá)到質(zhì)量目標(biāo)。第五級(jí)?優(yōu)化，預(yù)防缺陷和質(zhì)量控制級(jí)由于本級(jí)的測(cè)試過(guò)程是可重復(fù)，已定義，已管理和己測(cè)量的，因此軟件**能夠優(yōu)化調(diào)整和持續(xù)改進(jìn)測(cè)試過(guò)程。測(cè)試過(guò)程的管理為持續(xù)改進(jìn)產(chǎn)品質(zhì)量和過(guò)程質(zhì)量提供指導(dǎo)，并提供必要的基礎(chǔ)設(shè)施。優(yōu)化，預(yù)防缺陷和質(zhì)量控制級(jí)有3個(gè)要實(shí)現(xiàn)的成熟度目標(biāo):。艾策醫(yī)療檢測(cè)中心為體外診斷試劑提供全流程合規(guī)性驗(yàn)證服務(wù)。

    快速原型模型部分需求-原型-補(bǔ)充-運(yùn)行外包公司預(yù)先不能明確定義需求的軟件系統(tǒng)的開(kāi)發(fā)，更好的滿足用戶需求并減少由于軟件需求不明確帶來(lái)的項(xiàng)目開(kāi)發(fā)風(fēng)險(xiǎn)。不適合大型系統(tǒng)的開(kāi)發(fā)，前提要有一個(gè)展示性的產(chǎn)品原型，在一定程度上的補(bǔ)充，限制開(kāi)發(fā)人員的創(chuàng)新。螺旋模型每次功能都要**行風(fēng)險(xiǎn)評(píng)估，需求設(shè)計(jì)-測(cè)試很大程度上是一種風(fēng)險(xiǎn)驅(qū)動(dòng)的方法體系，在每個(gè)階段循環(huán)前，都進(jìn)行風(fēng)險(xiǎn)評(píng)估。需要有相當(dāng)豐富的風(fēng)險(xiǎn)評(píng)估經(jīng)驗(yàn)和專門知識(shí)，在風(fēng)險(xiǎn)較大的項(xiàng)目開(kāi)發(fā)中，很有必要，多次迭代，增加成本。軟件測(cè)試模型需求分析-概要設(shè)計(jì)-詳細(xì)設(shè)計(jì)-開(kāi)發(fā)-單元測(cè)試-集成測(cè)試-系統(tǒng)測(cè)試-驗(yàn)收測(cè)試***清楚標(biāo)識(shí)軟件開(kāi)發(fā)的階段包含底層測(cè)試和高層測(cè)試采用自頂向下逐步求精的方式把整個(gè)開(kāi)發(fā)過(guò)程分成不同的階段，每個(gè)階段的工作都很明確，便于控制開(kāi)發(fā)過(guò)程。缺點(diǎn)程序已經(jīng)完成，錯(cuò)誤在測(cè)試階段發(fā)現(xiàn)或沒(méi)有發(fā)現(xiàn)，不能及時(shí)修改而且需求經(jīng)常變化導(dǎo)致V步驟反復(fù)執(zhí)行，工作量很大。W模型開(kāi)發(fā)一個(gè)V測(cè)試一個(gè)V用戶需求驗(yàn)收測(cè)試設(shè)計(jì)需求分析系統(tǒng)測(cè)試設(shè)計(jì)概要設(shè)計(jì)集成測(cè)試設(shè)計(jì)詳細(xì)設(shè)計(jì)單元測(cè)試設(shè)計(jì)編碼單元測(cè)試集成集成測(cè)試運(yùn)行系統(tǒng)測(cè)試交付驗(yàn)收測(cè)試***測(cè)試更早的介入，可以發(fā)現(xiàn)開(kāi)發(fā)初期的缺陷。兼容性測(cè)試涵蓋35款設(shè)備，通過(guò)率91.4%。軟件驗(yàn)收?qǐng)?bào)告

數(shù)據(jù)安全與合規(guī)：艾策科技的最佳實(shí)踐。廣州軟件檢測(cè)報(bào)告

    嘗試了前端融合、后端融合和中間融合三種融合方法對(duì)進(jìn)行有效融合，有效提高了惡意軟件的準(zhǔn)確率，具備較好的泛化性能和魯棒性。實(shí)驗(yàn)結(jié)果顯示，相對(duì)**且互補(bǔ)的特征視圖和不同深度學(xué)習(xí)融合機(jī)制的使用明顯提高了檢測(cè)方法的檢測(cè)能力和泛化性能，其中較優(yōu)的中間融合方法取得了％的準(zhǔn)確率，對(duì)數(shù)損失為，auc值為。有效解決了現(xiàn)有采用二進(jìn)制可執(zhí)行文件的單一特征類型進(jìn)行惡意軟件檢測(cè)的檢測(cè)方法檢測(cè)結(jié)果準(zhǔn)確率不高、可靠性低、泛化性和魯棒性不佳的問(wèn)題。另外，惡意軟件很難同時(shí)偽造良性軟件的多個(gè)抽象層次的特征以逃避檢測(cè)，本發(fā)明實(shí)施例同時(shí)融合軟件的二進(jìn)制可執(zhí)行文件的多個(gè)抽象層次的特征，可準(zhǔn)確檢測(cè)出偽造良性軟件特征的惡意軟件，解決了現(xiàn)有采用二進(jìn)制可執(zhí)行文件的單一特征類型進(jìn)行惡意軟件檢測(cè)的檢測(cè)方法難以檢測(cè)出偽造良性軟件特征的惡意軟件的問(wèn)題。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖**是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)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。廣州軟件檢測(cè)報(bào)告