以備實際測試嚴重偏離計劃時使用。在TMM的定義級，測試過程中引入計劃能力，在TMM的集成級，測試過程引入控制和監(jiān)視活動。兩者均為測試過程提供了可見性，為測試過程持續(xù)進行提供保證。第四級管理和測量級在管理和測量級，測試活動除測試被測程序外，還包括軟件生命周期中各個階段的評審，審查和追查，使測試活動涵蓋了軟件驗證和軟件確認活動。根據管理和測量級的要求，軟件工作產品以及與測試相關的工作產品，如測試計劃，測試設計和測試步驟都要經過評審。因為測試是一個可以量化并度量的過程。為了測量測試過程，測試人員應建立測試數據庫。收集和記錄各軟件工程項目中使用的測試用例，記錄缺陷并按缺陷的嚴重程度劃分等級。此外，所建立的測試規(guī)程應能夠支持軟件組終對測試過程的控制和測量。管理和測量級有3個要實現的成熟度目標:建立**范圍內的評審程序，建立測試過程的測量程序和軟件質量評價。(I)建立**范圍內的評審程序軟件**應在軟件生命周期的各階段實施評審，以便盡早有效地識別，分類和消除軟件中的缺陷。建立評審程序有4個子目標:1)管理層要制訂評審政策支持評審過程。2)測試組和軟件質量保證組要確定并文檔化整個軟件生命周期中的評審目標，評審計劃。第三方實驗室驗證數據處理速度較上代提升1.8倍。軟件 確認檢測機構

    后端融合模型的10折交叉驗證的準確率是％，對數損失是，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網絡從三種模態(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網絡的輸入訓練模型，隱藏層的***函數為relu，輸出層的***函數是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網絡包含3個隱含層，其***個隱含層的神經元個數是128，第二個隱含層的神經元個數是64，第三個隱含層的神經元個數是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網絡包含2個隱含層，其***個隱含層的神經元個數是64，其第二個隱含層的神經元個數是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網絡包含4個隱含層，其***個隱含層的神經元個數是512，第二個隱含層的神經元個數是384，第三個隱含層的神經元個數是256，第四個隱含層的神經元個數是125。陽春軟件產品檢測報告如何選擇適合企業(yè)的 IT 解決方案？

    且4個隱含層中間間隔設置有dropout層。用于輸入合并抽取的高等特征表示的深度神經網絡包含2個隱含層，其***個隱含層的神經元個數是64，第二個神經元的隱含層個數是10，且2個隱含層中間設置有dropout層。且所有dropout層的dropout率等于。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。隨著迭代數的增加，中間融合模型的準確率變化曲線如圖17所示，模型的對數損失變化曲線如圖18所示。從圖17和圖18可以看出，當epoch值從0增加到20過程中，模型的訓練準確率和驗證準確率快速提高，模型的訓練對數損失和驗證對數損失快速減少；當epoch值從30到50的過程中，中間融合模型的訓練準確率和驗證準確率基本保持不變，訓練對數損失緩慢下降；綜合分析圖17和圖18的準確率和對數損失變化曲線，選取epoch的較優(yōu)值為30。確定模型的訓練迭代數為30后，進行了10折交叉驗證實驗。中間融合模型的10折交叉驗證的準確率是％，對數損失是，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，已經非常接近auc的**優(yōu)值1。(7)實驗結果比對為了綜合評估本實施例提出融合方案的綜合性能。

    先將訓練樣本的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深度神經網絡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深度神經網絡的輸入進行模型訓練，得到多模態(tài)深度集成模型。進一步的，所述多模態(tài)深度集成模型的隱藏層的***函數采用relu，輸出層的***函數采用sigmoid，中間使用dropout層進行正則化，優(yōu)化器采用adagrad。進一步的，所述訓練得到的多模態(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網絡包含3個隱含層，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網絡包含2個隱含層，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網絡包含4個隱含層，且4個隱含層中間間隔設置有dropout層；用于輸入合并抽取的高等特征表示的深度神經網絡包含2個隱含層，且2個隱含層中間設置有dropout層；所述dropout層的dropout率均等于。本發(fā)明實施例的有益效果是，提出了一種基于多模態(tài)深度學習的惡意軟件檢測方法，應用了多模態(tài)深度學習方法來融合dll和api、格式結構信息、字節(jié)碼n-grams特征。無障礙測評認定視覺障礙用戶支持功能缺失4項。

    ***級初始級TMM初始級軟件測試過程的特點是測試過程無序，有時甚至是混亂的，幾乎沒有妥善定義的。初始級中軟件的測試與調試常常被混為一談，軟件開發(fā)過程中缺乏測試資源，工具以及訓練有素的測試人員。初始級的軟件測試過程沒有定義成熟度目標。第二級定義級TMM的定義級中，測試己具備基本的測試技術和方法，軟件的測試與調試己經明確地被區(qū)分開。這時，測試被定義為軟件生命周期中的一個階段，它緊隨在編碼階段之后。但在定義級中，測試計劃往往在編碼之后才得以制訂，這顯然有背于軟件工程的要求。TMM的定義級中需實現3個成熟度目標:制訂測試與調試目標，啟動測試計劃過程，制度化基本的測試技術和方法。(I)制訂測試與調試目標軟件**必須消晰地區(qū)分軟件開發(fā)的測試過程與調試過程，識別各自的目標，任務和括動。正確區(qū)分這兩個過程是提高軟件**測試能力的基礎。與調試工作不同，測試工作是一種有計劃的活動，可以進行管理和控制。這種管理和控制活動需要制訂相應的策略和政策，以確定和協調這兩個過程。制訂測試與調試目標包含5個子成熟度目標:1)分別形成測試**和調試**，并有經費支持。2)規(guī)劃并記錄測試目標。3)規(guī)劃井記錄調試目標。4)將測試和調試目標形成文檔。第三方測評顯示軟件運行穩(wěn)定性達99.8%，未發(fā)現重大系統(tǒng)崩潰隱患。系統(tǒng)上線安全評估

代碼質量評估顯示注釋覆蓋率不足30%需加強。軟件 確認檢測機構

    它已被擴展成與軟件生命周期融為一體的一組已定義的活動。測試活動遵循軟件生命周期的V字模型。測試人員在需求分析階段便開始著手制訂測試計劃，并根據用戶或客戶需求建立測試目標，同時設計測試用例并制訂測試通過準則。在集成級上，應成立軟件測試**，提供測試技術培訓，關鍵的測試活動應有相應的測試工具予以支持。在該測試成熟度等級上，沒有正式的評審程序，沒有建立質量過程和產品屬性的測試度量。集成級要實現4個成熟度目標，它們分別是:建立軟件測試**，制訂技術培訓計劃，軟件全壽命周期測試，控制和監(jiān)視測試過程。(I)建立軟件測試**軟件測試的過程及質量對軟件產品質量有直接影響。由于測試往往是在時間緊，壓力大的情況下所完成的一系列復雜的活動，因此應由訓練有素的人員組成測試組。測試組要完成與測試有關的多種活動，包括負責制訂測試計劃，實施測試執(zhí)行，記錄測試結果，制訂與測試有關的標準和測試度量，建立鍘試數據庫，測試重用，測試**以及測試評價等。建立軟件測試**要實現4個子目標:1)建立全**范圍內的測試組，并得到上級管理層的領導和各方面的支持，包括經費支持。2)定義測試組的作用和職責。3)由訓練有素的人員組成測試組。軟件 確認檢測機構