不*可以用于回归测试，也可以为以后的测试提供参考。[4](8)错误不可避免原则。在测试时不能首先假设程序中没有错误。[4]软件测试方法分类编辑软件测试方法的分类有很多种，以测试过程中程序执行状态为依据可分为静态测试（StaticTesting，ST）和动态测试（DynamicTesting，DT）;以具体实现算法细节和系统内部结构的相关情况为根据可分黑盒测试、白盒测试和灰盒测试三类;从程序执行的方式来分类，可分为人工测试（ManualTesting，MT）和自动化测试（AutomaticTesting，AT）。[5]软件测试方法静态测试和动态测试（1）静态测试。静态测试的含义是被测程序不运行，只依靠分析或检查源程序的语句、结构、过程等来检查程序是否有错误。即通过对软件的需求规格说明书、设计说明书以及源程序做结构分析和流程图分析，从而来找出错误。例如不匹配的参数，未定义的变量等。[5]（2）动态测试。动态测试与静态测试相对应，其是通过运行被测试程序，对得到的运行结果与预期的结果进行比较分析，同时分析运行效率和健壮性能等。这种方法可简单分为三个步骤:构造测试实例、执行程序以及分析结果。[5]软件测试方法黑盒测试、白盒测试和灰盒测试（1）黑盒测试。跨设备测试报告指出平板端UI元素存在比例失调问题。上海软件检测报告电话

    每一种信息的来源或者形式，都可以称为一种模态。例如，人有触觉，听觉，视觉，嗅觉。多模态机器学习旨在通过机器学习的方法实现处理和理解多源模态信息的能力。多模态学习从1970年代起步，经历了几个发展阶段，在2010年后***步入深度学习(deeplearning)阶段。在某种意义上，深度学习可以被看作是允许我们“混合和匹配”不同模型以创建复杂的深度多模态模型。目前，多模态数据融合主要有三种融合方式：前端融合(early-fusion)即数据水平融合(data-levelfusion)、后端融合(late-fusion)即决策水平融合(decision-levelfusion)以及中间融合(intermediate-fusion)。前端融合将多个**的数据集融合成一个单一的特征向量空间，然后将其用作机器学习算法的输入，训练机器学习模型，如图1所示。由于多模态数据的前端融合往往无法充分利用多个模态数据间的互补性，且前端融合的原始数据通常包含大量的冗余信息。因此，多模态前端融合方法常常与特征提取方法相结合以剔除冗余信息，基于领域经验从每个模态中提取更高等别的特征表示，或者应用深度学习算法直接学习特征表示，然后在特性级别上进行融合。后端融合则是将不同模态数据分别训练好的分类器输出决策进行融合，如图2所示。上海软件检测报告电话隐私合规检测确认用户数据加密符合GDPR标准要求。

    此外格式结构信息具有明显的语义信息，但基于格式结构信息的检测方法没有提取决定软件行为的代码节和数据节信息作为特征。某一种类型的特征都从不同的视角反映刻画了可执行文件的一些性质，字节码n-grams、dll和api信息、格式结构信息都部分捕捉到了恶意软件和良性软件间的可区分信息，但都存在着一定的局限性，不能充分、综合、整体的表示可执行文件的本质，使得检测结果准确率不高、可靠性低、泛化性和鲁棒性不佳。此外，恶意软件通常伪造出和良性软件相似的特征，逃避反**软件的检测。技术实现要素：本发明实施例的目的在于提供一种基于多模态深度学习的恶意软件检测方法，以解决现有采用二进制可执行文件的单一特征类型进行恶意软件检测的检测方法检测准确率不高、检测可靠性低、泛化性和鲁棒性不佳的问题，以及其难以检测出伪造良性软件特征的恶意软件的问题。本发明实施例所采用的技术方案是，基于多模态深度学习的恶意软件检测方法，按照以下步骤进行：步骤s1、提取软件样本的二进制可执行文件的dll和api信息、pe格式结构信息以及字节码n-grams的特征表示，生成软件样本的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。

    快速原型模型部分需求-原型-补充-运行外包公司预先不能明确定义需求的软件系统的开发，更好的满足用户需求并减少由于软件需求不明确带来的项目开发风险。不适合大型系统的开发，前提要有一个展示性的产品原型，在一定程度上的补充，限制开发人员的创新。螺旋模型每次功能都要**行风险评估，需求设计-测试很大程度上是一种风险驱动的方法体系，在每个阶段循环前，都进行风险评估。需要有相当丰富的风险评估经验和专门知识，在风险较大的项目开发中，很有必要，多次迭代，增加成本。软件测试模型需求分析-概要设计-详细设计-开发-单元测试-集成测试-系统测试-验收测试***清楚标识软件开发的阶段包含底层测试和高层测试采用自顶向下逐步求精的方式把整个开发过程分成不同的阶段，每个阶段的工作都很明确，便于控制开发过程。缺点程序已经完成，错误在测试阶段发现或没有发现，不能及时修改而且需求经常变化导致V步骤反复执行，工作量很大。W模型开发一个V测试一个V用户需求验收测试设计需求分析系统测试设计概要设计集成测试设计详细设计单元测试设计编码单元测试集成集成测试运行系统测试交付验收测试***测试更早的介入，可以发现开发初期的缺陷。渗透测试报告暴露2个高危API接口需紧急加固。

    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。艾策科技案例研究：某跨国企业的数字化转型实践。西安第三方软件检测单位

安全审计发现日志模块存在敏感信息明文存储缺陷。上海软件检测报告电话

    后端融合模型的10折交叉验证的准确率是％，对数损失是，混淆矩阵如图13所示，规范化后的混淆矩阵如图14所示。后端融合模型的roc曲线如图15所示，其显示后端融合模型的auc值为。(6)中间融合中间融合的架构如图16所示，中间融合方式用深度神经网络从三种模态的特征分别抽取高等特征表示，然后合并学习得到的特征表示，再作为下一个深度神经网络的输入训练模型，隐藏层的***函数为relu，输出层的***函数是sigmoid，中间使用dropout层进行正则化，防止过拟合，优化器(optimizer)采用的是adagrad，batch_size是40。图16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，其***个隐含层的神经元个数是128，第二个隐含层的神经元个数是64，第三个隐含层的神经元个数是32，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，其***个隐含层的神经元个数是64，其第二个隐含层的神经元个数是32，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，其***个隐含层的神经元个数是512，第二个隐含层的神经元个数是384，第三个隐含层的神经元个数是256，第四个隐含层的神经元个数是125。上海软件检测报告电话

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。