**小化對數(shù)損失基本等價于**大化分類器的準確度，對于完美的分類器，對數(shù)損失值為0。對數(shù)損失函數(shù)的計算公式如下：其中，y為輸出變量即輸出的測試樣本的檢測結(jié)果，x為輸入變量即測試樣本，l為損失函數(shù)，n為測試樣本(待檢測軟件的二進制可執(zhí)行文件)數(shù)目，yij是一個二值指標(biāo)，表示與輸入的第i個測試樣本對應(yīng)的類別j，類別j指良性軟件或惡意軟件，pij為輸入的第i個測試樣本屬于類別j的概率，m為總類別數(shù)，本實施例中m＝2。分類器的性能也可用roc曲線(receiveroperatingcharacteristic)評價，roc曲線的縱軸是檢測率(true****itiverate)，橫軸是誤報率(false****itiverate)，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(guān)系曲線。roc曲線下面積(areaunderroccurve，auc)的值是評價分類器比較綜合的指標(biāo)，auc的值通常介于，較大的auc值一般表示分類器的性能較優(yōu)。(3)特征提取提取dll和api信息特征視圖dll(dynamiclinklibrary)文件為動態(tài)鏈接庫文件，執(zhí)行某一個程序時，相應(yīng)的dll文件就會被調(diào)用。一個應(yīng)用程序可使用多個dll文件，一個dll文件也可能被不同的應(yīng)用程序使用。api(applicationprogramminginterface)函數(shù)是windows提供給用戶作為應(yīng)用程序開發(fā)的接口。無障礙測評認定視覺障礙用戶支持功能缺失4項。軟件項目的驗收測評內(nèi)容

    對一些質(zhì)量要求和可靠性要求較高的模塊，一般要滿足所需條件的組合覆蓋或者路徑覆蓋標(biāo)準。[2]軟件測試方法集成測試集成測試是軟件測試的第二階段，在這個階段，通常要對已經(jīng)嚴格按照程序設(shè)計要求和標(biāo)準組裝起來的模塊同時進行測試，明確該程序結(jié)構(gòu)組裝的正確性，發(fā)現(xiàn)和接口有關(guān)的問題，比如模塊接口的數(shù)據(jù)是否會在穿越接口時發(fā)生丟失；各個模塊之間因某種疏忽而產(chǎn)生不利的影響；將模塊各個子功能組合起來后產(chǎn)生的功能要求達不到預(yù)期的功能要求；一些在誤差范圍內(nèi)且可接受的誤差由于長時間的積累進而到達了不能接受的程度；數(shù)據(jù)庫因單個模塊發(fā)生錯誤造成自身出現(xiàn)錯誤等等。同時因集成測試是界于單元測試和系統(tǒng)測試之間的，所以，集成測試具有承上啟下的作用。因此有關(guān)測試人員必須做好集成測試工作。在這一階段，一般采用的是白盒和黑盒結(jié)合的方法進行測試，驗證這一階段設(shè)計的合理性以及需求功能的實現(xiàn)性。[2]軟件測試方法系統(tǒng)測試一般情況下，系統(tǒng)測試采用黑盒法來進行測試的，以此來檢查該系統(tǒng)是否符合軟件需求。本階段的主要測試內(nèi)容包括健壯性測試、性能測試、功能測試、安裝或反安裝測試、用戶界面測試、壓力測試、可靠性及安全性測試等。廣州軟件評測數(shù)據(jù)安全與合規(guī)：艾策科技的最佳實踐。

    步驟s2、將軟件樣本中的類別已知的軟件樣本作為訓(xùn)練樣本，基于多模態(tài)數(shù)據(jù)融合方法，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特征視圖輸入深度神經(jīng)網(wǎng)絡(luò)，訓(xùn)練多模態(tài)深度集成模型；步驟s3、將軟件樣本中的類別未知的軟件樣本作為測試樣本，并將測試樣本的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特征視圖輸入步驟s2訓(xùn)練得到的多模態(tài)深度集成模型中，對測試樣本進行檢測并得出檢測結(jié)果。進一步的，所述提取軟件樣本的二進制可執(zhí)行文件的dll和api信息的特征表示，是統(tǒng)計當(dāng)前軟件樣本的導(dǎo)入節(jié)中引用的dll和api；所述提取軟件樣本的二進制可執(zhí)行文件的pe格式結(jié)構(gòu)信息的特征表示，是先對當(dāng)前軟件樣本的二進制可執(zhí)行文件進行格式結(jié)構(gòu)解析，然后按照格式規(guī)范提取**該軟件樣本的格式結(jié)構(gòu)信息；所述提取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，是先將當(dāng)前軟件樣本件的二進制可執(zhí)行文件轉(zhuǎn)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。進一步的，采用3-grams方法在十六進制字節(jié)碼序列中滑動產(chǎn)生連續(xù)部分重疊的短序列特征。進一步的。

    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(shè)計測試第4章程序分析技術(shù)第5章測試分析技術(shù)第6章測試自動化的優(yōu)越性第7章測試計劃與測試標(biāo)準第8章介紹一種企業(yè)級測試工具第9章學(xué)習(xí)一種負載測試軟件第10章軟件測試的經(jīng)驗總結(jié)附錄A常見測試術(shù)語附錄B測試技術(shù)分類附錄C常見的編碼錯誤附錄D有關(guān)的測試網(wǎng)站參考文獻軟件測試技術(shù)圖書4書名:軟件測試技術(shù)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(shè)計第4章測試工具應(yīng)用第5章測試技術(shù)與應(yīng)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。從傳統(tǒng)到智能：艾策科技助力制造業(yè)升級之路。

    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深度神經(jīng)網(wǎng)絡(luò)的輸入進行模型訓(xùn)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(shù)采用relu，輸出層的***函數(shù)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(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個隱含層，且3個隱含層中間間隔設(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個隱含層，且2個隱含層中間設(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個隱含層，且4個隱含層中間間隔設(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個隱含層，且2個隱含層中間設(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。人工智能在金融領(lǐng)域的應(yīng)用：艾策科技的實踐案例。軟件功能性測評費用

代碼審計發(fā)現(xiàn)2處潛在內(nèi)存泄漏風(fēng)險，建議版本迭代修復(fù)。軟件項目的驗收測評內(nèi)容

    將三種模態(tài)特征和三種融合方法的結(jié)果進行了對比，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)特征的檢測準確率更高，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)特征的實驗結(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，各項性能指標(biāo)都非常接近**優(yōu)值。表3實驗結(jié)果對比本實施例提出了基于多模態(tài)深度學(xué)習(xí)的惡意軟件檢測方法，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的準確率和魯棒性。實驗結(jié)果顯示，相對**且互補的特征視圖和不同深度學(xué)習(xí)融合機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％的準確率，對數(shù)損失為，auc值為，各項性能指標(biāo)已接近**優(yōu)值。考慮到樣本集可能存在噪聲，本實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偽造多個模態(tài)的特征，本實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)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。軟件項目的驗收測評內(nèi)容