[VIP第1年] 指数:3
将三种模态特征和三种融合方法的结果进行了对比，如表3所示。从表3可以看出，前端融合和中间融合较基于模态特征的检测准确率更高，损失率更低。后端融合是三种融合方法中较弱的，虽然明显优于基于dll和api信息、pe格式结构特征的实验结果，但稍弱于基于字节码3-grams特征的结果。中间融合是三种融合方法中**好的，各项性能指标都非常接近**优值。表3实验结果对比本实施例提出了基于多模态深度学习的恶意软件检测方法，提取了三种模态的特征(dll和api信息、pe格式结构信息和字节码3-grams)，提出了通过三种融合方式(前端融合、后端融合、中间融合)集成三种模态的特征，有效提高恶意软件检测的准确率和鲁棒性。实验结果显示，相对**且互补的特征视图和不同深度学习融合机制的使用明显提高了检测方法的检测能力和泛化性能，其中较优的中间融合方法取得了％的准确率，对数损失为，auc值为，各项性能指标已接近**优值。考虑到样本集可能存在噪声，本实施例提出的方法已取得了比较理想的结果。由于恶意软件很难同时伪造多个模态的特征，本实施例提出的方法比单模态特征方法更鲁棒。以上所述*为本发明的较佳实施例而已，并非用于限定本发明的保护范围。艾策检测针对智能穿戴设备开发动态压力测试系统，确保人机交互的舒适性与安全性。上海市软件测试
先将训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图分别输入至一个深度神经网络中抽取高等特征表示，然后合并抽取的高等特征表示并将其作为下一个深度神经网络的输入进行模型训练，得到多模态深度集成模型。进一步的，所述多模态深度集成模型的隐藏层的***函数采用relu，输出层的***函数采用sigmoid，中间使用dropout层进行正则化，优化器采用adagrad。进一步的，所述训练得到的多模态深度集成模型中，用于抽取dll和api信息特征视图的深度神经网络包含3个隐含层，且3个隐含层中间间隔设置有dropout层；用于抽取格式信息特征视图的深度神经网络包含2个隐含层，且2个隐含层中间设置有dropout层；用于抽取字节码n-grams特征视图的深度神经网络包含4个隐含层，且4个隐含层中间间隔设置有dropout层；用于输入合并抽取的高等特征表示的深度神经网络包含2个隐含层，且2个隐含层中间设置有dropout层；所述dropout层的dropout率均等于。本发明实施例的有益效果是，提出了一种基于多模态深度学习的恶意软件检测方法，应用了多模态深度学习方法来融合dll和api、格式结构信息、字节码n-grams特征。上海市软件测试用户体验测评中界面交互评分低于同类产品均值15.6%。
没有满足用户的需求1未达到需求规格说明书表明的功能2出现了需求规格说明书指明不会出现的错误3软件功能超出了需求规格说明书指明的范围4软件质量不够高维护性移植性效率性可靠性易用性功能性健壮性等5软件未达到软件需求规格说明书未指出但是应该达到的目标计算器没电了下次还得能正常使用6测试或用户觉得不好软件缺陷的表现形式1功能没有完全实现2产品的实际结果和所期望的结果不一致3没有达到需求规格说明书所规定的的性能指标等4运行出错断电运行终端系统崩溃5界面排版重点不突出，格式不统一6用户不能接受的其他问题软件缺陷产生的原因需求错误需求记录错误设计说明错误代码错误兼容性错误时间不充足缺陷的信息缺陷id缺陷标题缺陷严重程度缺陷的优先级缺陷的所属模块缺陷的详细描述缺陷提交时间缺陷的严重程度划分1blocker系统瘫痪异常退出计算错误大部分功能不能使用死机2major功能点不符合用户需求数据丢失3normal**功能特定调点断断续续4Trivial细小的错误优先级划分紧急高中低。
I)应用过程数据预防缺陷。这时的软件**能够记录软件缺陷，分析缺陷模式，识别错误根源，制订防止缺陷再次发生的计划，提供**这种括动的办法，并将这些活动贯穿于全**的各个项目中。应用过程数据预防缺陷有礴个成熟度子目标:1)成立缺陷预防组。2)识别和记录在软件生命周期各阶段引入的软件缺陷和消除的缺陷。3)建立缺陷原因分析机制，确定缺陷原因。4)管理，开发和测试人员互相配合制订缺陷预防计划，防止已识别的缺陷再次发生。缺陷预防计划要具有可**性。(II)质量控制在本级，软件**通过采用统计采样技术，测量**的自信度，测量用户对**的信赖度以及设定软件可靠性目标来推进测试过程。为了加强软件质量控制，测试组和质量保证组要有负责质量的人员参加，他们应掌握能减少软件缺陷和改进软件质量的技术和工具。支持统计质量控制的子目标有:?1)软件测试组和软件质量保证组建立软件产品的质量目标，如:产品的缺陷密度，**的自信度以及可信赖度等。2)测试管理者要将这些质量目标纳入测试计划中。3)培训测试组学习和使用统计学方法。4)收集用户需求以建立使用模型(III)优化测试过程在测试成熟度的***，己能够量化测试过程。这样就可以依据量化结果来调整测试过程。第三方验证实际启动速度较厂商宣称慢0.7秒。
并将测试样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图输入步骤s2训练得到的多模态深度集成模型中，对测试样本进行检测并得出检测结果。实验结果与分析(1)样本数据集选取实验评估使用了不同时期的恶意软件和良性软件样本，包含了7871个良性软件样本和8269个恶意软件样本，其中4103个恶意软件样本是2011年以前发现的，4166个恶意软件样本是近年来新发现的；3918个良性软件样本是从全新安装的windowsxpsp3系统中收集的，3953个良性软件样本是从全新安装的32位windows7系统中收集的。所有的恶意软件样本都是从vxheavens网站中收集的，所有的样本格式都是windowspe格式的，样本数据集构成如表1所示。表1样本数据集类别恶意软件样本良性软件样本早期样本41033918近期样本41663953合计82697871(2)评价指标及方法分类性能主要用两个指标来评估：准确率和对数损失。准确率测量所有预测中正确预测的样本占总样本的比例，*凭准确率通常不足以评估预测的鲁棒性，因此还需要使用对数损失。对数损失(logarithmicloss)，也称交叉熵损失(cross-entropyloss)，是在概率估计上定义的，用于测量预测类别与真实类别之间的差距大小。艾策科技案例研究：某跨国企业的数字化转型实践。上海市软件测试
能耗评估显示后台服务耗电量超出行业基准值42%。上海市软件测试
2）软件产品登记测试流程材料准备并递交------实验室受理------环境准备------测试实施------输出报告------通知客户------缴费并取报告服务区域北京、上海、广州、深圳、重庆、杭州、南京、苏州等**各地软件测试报告|软件检测报告以“软件质量为目标，贯穿整个软件生命周期、覆盖软件测试生命周期”的**测试服务模式，真正做到了“软件测试应该越早介入越好的原则”，从软件生命周期的每一个环节把控软件产品质量；提供软件产品质量度量依据，提供软件可靠性分析依据。软件成果鉴定测试结果可以作为软件类科技成果鉴定的依据。提供功能、性能、标准符合性、易用性、安全性、可靠性等专项测试服务。科技项目验收测试报告及鉴定结论,可以真实反映指标的技术水平和市场价值,有助于项目成交和产品营销。上海市软件测试
文章来源地址: http://swfw.dzyqjjgsb.chanpin818.com/jiancefuwu/deta_27235887.html
免责声明： 本页面所展现的信息及其他相关推荐信息，均来源于其对应的用户，本网对此不承担任何保证责任。如涉及作品内容、 版权和其他问题，请及时与本网联系，我们将核实后进行删除，本网站对此声明具有最终解释权。
