軟件產(chǎn)品測試單位

    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(zhǔn)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(fù)載測試軟件第10章軟件測試的經(jīng)驗(yàn)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(xiàn)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(jī)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(shí)例詞條圖冊更多圖冊。滲透測試報告暴露2個高危API接口需緊急加固。軟件產(chǎn)品測試單位

    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(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(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。第三方軟件測試機(jī)構(gòu)查詢艾策科技：如何用數(shù)據(jù)分析重塑企業(yè)決策！

    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，對網(wǎng)絡(luò)或系統(tǒng)會產(chǎn)生威脅或潛在威脅的計算機(jī)軟件。常見的惡意軟件有計算機(jī)**(簡稱**)、特洛伊木馬(簡稱木馬)、計算機(jī)蠕蟲(簡稱蠕蟲)、后門、邏輯**等。惡意軟件可能在用戶不知情的情況下竊取計算機(jī)用戶的信息和隱私，也可能非法獲得計算機(jī)系統(tǒng)和網(wǎng)絡(luò)資源的控制，破壞計算機(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)安全報告》顯示，2017年騰訊電腦管家pc端總計攔截**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的***、經(jīng)濟(jì)、文化、***等各個領(lǐng)域的信息安全，帶來了前所未有的挑戰(zhàn)。當(dāng)前的反**軟件主要采用基于特征碼的檢測方法，這種方法通過對代碼進(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，通過匹配查找軟件中是否包含惡意軟件特征庫中的特征碼來判斷其是否為惡意軟件。

    這樣做的好處是，融合模型的錯誤來自不同的分類器，而來自不同分類器的錯誤往往互不相關(guān)、互不影響，不會造成錯誤的進(jìn)一步累加。常見的后端融合方式包括**大值融合(max-fusion)、平均值融合(averaged-fusion)、貝葉斯規(guī)則融合(bayes’rulebased)以及集成學(xué)習(xí)(ensemblelearning)等。其中集成學(xué)習(xí)作為后端融合方式的典型**，被廣泛應(yīng)用于通信、計算機(jī)識別、語音識別等研究領(lǐng)域。中間融合是指將不同的模態(tài)數(shù)據(jù)先轉(zhuǎn)化為高等特征表達(dá)，再于模型的中間層進(jìn)行融合，如圖3所示。以深度神經(jīng)網(wǎng)絡(luò)為例，神經(jīng)網(wǎng)絡(luò)通過一層一層的管道映射輸入，將原始輸入轉(zhuǎn)換為更高等的表示。中間融合首先利用神經(jīng)網(wǎng)絡(luò)將原始數(shù)據(jù)轉(zhuǎn)化成高等特征表達(dá)，然后獲取不同模態(tài)數(shù)據(jù)在高等特征空間上的共性，進(jìn)而學(xué)習(xí)一個聯(lián)合的多模態(tài)表征。深度多模態(tài)融合的大部分工作都采用了這種中間融合的方法，其***享表示層是通過合并來自多個模態(tài)特定路徑的連接單元來構(gòu)建的。中間融合方法的一大優(yōu)勢是可以靈活的選擇融合的位置，但設(shè)計深度多模態(tài)集成結(jié)構(gòu)時，確定如何融合、何時融合以及哪些模式可以融合，是比較有挑戰(zhàn)的問題。字節(jié)碼n-grams、dll和api信息、格式結(jié)構(gòu)信息這三種類型的特征都具有自身的優(yōu)勢。艾策紡織品檢測實(shí)驗(yàn)室配備氣候老化模擬艙，驗(yàn)證戶外用品的耐久性與色牢度。

    為了有效保證這一階段測試的客觀性，必須由**的測試小組來進(jìn)行相關(guān)的系統(tǒng)測試。另外，系統(tǒng)測試過程較為復(fù)雜，由于在系統(tǒng)測試階段不斷變更需求造成功能的刪除或增加，從而使程序不斷出現(xiàn)相應(yīng)的更改，而程序在更改后可能會出現(xiàn)新的問題，或者原本沒有問題的功能由于更改導(dǎo)致出現(xiàn)問題。所以，測試人員必須進(jìn)行回歸測試。[2]軟件測試方法驗(yàn)收測試驗(yàn)收測試是**后一個階段的測試操作，在軟件產(chǎn)品投入正式運(yùn)行前的所要進(jìn)行的測試工作。和系統(tǒng)測試相比而言，驗(yàn)收測試與之的區(qū)別就只是測試人員不同，驗(yàn)收測試則是由用戶來執(zhí)行這一操作的。驗(yàn)收測試的主要目標(biāo)是為向用戶展示所開發(fā)出來的軟件符合預(yù)定的要求和有關(guān)標(biāo)準(zhǔn)，并驗(yàn)證軟件實(shí)際工作的有效性和可靠性，確保用戶能用該軟件順利完成既定的任務(wù)和功能。通過了驗(yàn)收測試，該產(chǎn)品就可進(jìn)行發(fā)布。但是，在實(shí)際交付給用戶之后，開發(fā)人員是無法預(yù)測該軟件用戶在實(shí)際運(yùn)用過程中是如何使用該程序的，所以從用戶的角度出發(fā)，測試人員還應(yīng)進(jìn)行Alpha測試或Beta測試這兩種情形的測試。Alpha測試是在軟件開發(fā)環(huán)境下由用戶進(jìn)行的測試，或者模擬實(shí)際操作環(huán)境進(jìn)而進(jìn)行的測試。企業(yè)數(shù)字化轉(zhuǎn)型指南：艾策科技的實(shí)用建議。北京軟件app檢測報告

深圳艾策信息科技：可持續(xù)發(fā)展的 IT 解決方案。軟件產(chǎn)品測試單位

    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(jìn)行檢測并得出檢測結(jié)果。實(shí)驗(yàn)結(jié)果與分析(1)樣本數(shù)據(jù)集選取實(shí)驗(yàn)評估使用了不同時期的惡意軟件和良性軟件樣本，包含了7871個良性軟件樣本和8269個惡意軟件樣本，其中4103個惡意軟件樣本是2011年以前發(fā)現(xiàn)的，4166個惡意軟件樣本是近年來新發(fā)現(xiàn)的；3918個良性軟件樣本是從全新安裝的windowsxpsp3系統(tǒng)中收集的，3953個良性軟件樣本是從全新安裝的32位windows7系統(tǒng)中收集的。所有的惡意軟件樣本都是從vxheavens網(wǎng)站中收集的，所有的樣本格式都是windowspe格式的，樣本數(shù)據(jù)集構(gòu)成如表1所示。表1樣本數(shù)據(jù)集類別惡意軟件樣本良性軟件樣本早期樣本41033918近期樣本41663953合計82697871(2)評價指標(biāo)及方法分類性能主要用兩個指標(biāo)來評估：準(zhǔn)確率和對數(shù)損失。準(zhǔn)確率測量所有預(yù)測中正確預(yù)測的樣本占總樣本的比例，*憑準(zhǔn)確率通常不足以評估預(yù)測的魯棒性，因此還需要使用對數(shù)損失。對數(shù)損失(logarithmicloss)，也稱交叉熵?fù)p失(cross-entropyloss)，是在概率估計上定義的，用于測量預(yù)測類別與真實(shí)類別之間的差距大小。軟件產(chǎn)品測試單位