信息化系統(tǒng)測評(píng)公司

    嘗試了前端融合、后端融合和中間融合三種融合方法對進(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**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(zhǔn)確率，對數(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)行惡意軟件檢測的檢測方法檢測結(jié)果準(zhǔn)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(shí)偽造良性軟件的多個(gè)抽象層次的特征以逃避檢測，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(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)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(shí)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(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。第三方驗(yàn)證實(shí)際啟動(dòng)速度較廠商宣稱慢0.7秒。信息化系統(tǒng)測評(píng)公司

    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(dǎo)入地址表被修改，(10)多個(gè)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(biāo)志。存在明顯的統(tǒng)計(jì)差異的格式結(jié)構(gòu)特征包括：(1)無證書表；(2)調(diào)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(gè)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(jì)了每個(gè)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(dāng)前軟件樣本的所有短序列特征中選取詞頻tf**高的多個(gè)短序列特征；然后計(jì)算選取的每個(gè)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(gè)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(qiáng)；**后在選取的詞頻tf**高的多個(gè)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。CNAS軟件系統(tǒng)測評(píng)服務(wù)云計(jì)算與 AI 融合：深圳艾策的創(chuàng)新解決方案。

    先將訓(xùn)練樣本的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特征視圖分別輸入至一個(gè)深度神經(jīng)網(wǎng)絡(luò)中抽取高等特征表示，然后合并抽取的高等特征表示并將其作為下一個(gè)深度神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行模型訓(xùn)練，得到多模態(tài)深度集成模型。進(jìn)一步的，所述多模態(tài)深度集成模型的隱藏層的***函數(shù)采用relu，輸出層的***函數(shù)采用sigmoid，中間使用dropout層進(jìn)行正則化，優(yōu)化器采用adagrad。進(jìn)一步的，所述訓(xùn)練得到的多模態(tài)深度集成模型中，用于抽取dll和api信息特征視圖的深度神經(jīng)網(wǎng)絡(luò)包含3個(gè)隱含層，且3個(gè)隱含層中間間隔設(shè)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(luò)包含2個(gè)隱含層，且2個(gè)隱含層中間設(shè)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(luò)包含4個(gè)隱含層，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，且2個(gè)隱含層中間設(shè)置有dropout層；所述dropout層的dropout率均等于。本發(fā)明實(shí)施例的有益效果是，提出了一種基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測方法，應(yīng)用了多模態(tài)深度學(xué)習(xí)方法來融合dll和api、格式結(jié)構(gòu)信息、字節(jié)碼n-grams特征。

    幫助客戶提升內(nèi)部技術(shù)團(tuán)隊(duì)能力。例如，某三甲醫(yī)院在采用艾策科技的醫(yī)療信息化系統(tǒng)檢測方案后，不僅系統(tǒng)漏洞率下降45%，其IT團(tuán)隊(duì)的安全意識(shí)與應(yīng)急響應(yīng)能力也提升。技術(shù)創(chuàng)新未來方向艾策科技創(chuàng)始人兼CTO表示：“作為軟件檢測公司，我們始終將技術(shù)創(chuàng)新視為競爭力。未來，公司將重點(diǎn)投入AI算法優(yōu)化、邊緣計(jì)算檢測等前沿領(lǐng)域，為電力能源、政企單位等行業(yè)提供更高效、更智能的質(zhì)量保障服務(wù)。”深圳艾策信息科技有限公司是一家立足于粵港澳大灣區(qū)，依托信息技術(shù)產(chǎn)業(yè)，面向全國客戶提供專業(yè)、可靠服務(wù)的第三方CMACNAS檢測機(jī)構(gòu)。在檢測服務(wù)過程中，公司始終堅(jiān)持以客戶需求為本，秉承公平公正的第三方檢測要求，遵循國家檢測標(biāo)準(zhǔn)規(guī)范，確保檢測數(shù)據(jù)和結(jié)果準(zhǔn)確可靠，運(yùn)用前沿A人工智能技術(shù)提高檢測效率。我們追求創(chuàng)造優(yōu)異的社會(huì)價(jià)值，我們致力于打造公司成為第三方檢測行業(yè)的行業(yè)榜樣。安全審計(jì)發(fā)現(xiàn)日志模塊存在敏感信息明文存儲(chǔ)缺陷。

    測試人員素質(zhì)要求1、責(zé)任心2、學(xué)習(xí)能力3、懷疑精神4、溝通能力5、專注力6、洞察力7、團(tuán)隊(duì)精神8、注重積累軟件測試技術(shù)測試目的編輯軟件測試的目的是為了保證軟件產(chǎn)品的**終質(zhì)量，在軟件開發(fā)的過程中，對軟件產(chǎn)品進(jìn)行質(zhì)量控制。一般來說軟件測試應(yīng)由**的產(chǎn)品評(píng)測中心負(fù)責(zé)，嚴(yán)格按照軟件測試流程，制定測試計(jì)劃、測試方案、測試規(guī)范，實(shí)施測試，對測試記錄進(jìn)行分析，并根據(jù)回歸測試情況撰寫測試報(bào)告。測試是為了證明程序有錯(cuò)，而不能保證程序沒有錯(cuò)誤。軟件測試技術(shù)常見測試編輯回歸測試功能測試壓力測試負(fù)載測試性能測試易用性測試安裝與反安裝測試**測試安全性測試兼容性測試內(nèi)存泄漏測試比較測試Alpha測試Beta測試測試信息流1、軟件配置2、測試配置3、測試工具軟件測試技術(shù)-軟件測試的分類1、從是否需要執(zhí)行被測試軟件的角度分類（靜態(tài)測試和動(dòng)態(tài)測試）。2、從測試是否針對軟件結(jié)構(gòu)與算法的角度分類（白盒測試和黑盒測試）。3、從測試的不同階段分類（單元測試、集成測試、系統(tǒng)測試、驗(yàn)收測試）。兼容性測試涵蓋35款設(shè)備，通過率91.4%。第三方軟件測試報(bào)告電話

深圳艾策信息科技：賦能中小企業(yè)的數(shù)字化未來。信息化系統(tǒng)測評(píng)公司

    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)練對數(shù)損失和驗(yàn)證對數(shù)損失快速減少；當(dāng)epoch值從30到50的過程中，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)練對數(shù)損失緩慢下降；綜合分析圖17和圖18的準(zhǔn)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(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)果比對為了綜合評(píng)估本實(shí)施例提出融合方案的綜合性能。信息化系統(tǒng)測評(píng)公司