12)把節(jié)裝入到vmm的地址空間；(13)可選頭部的sizeofcode域取值不正確；(14)含有可疑標志。此外，惡意軟件和良性軟件間以下格式特征也存在明顯的統(tǒng)計差異：(1)證書表是軟件廠商的可認證的聲明，惡意軟件很少有證書表，而良性軟件大部分都有軟件廠商可認證的聲明；(2)惡意軟件的調(diào)試數(shù)據(jù)也明顯小于正常文件的，這是因為惡意軟件為了增加調(diào)試的難度，很少有調(diào)試數(shù)據(jù)；(3)惡意軟件4個節(jié)(.text、.rsrc、.reloc和.rdata)的characteristics屬性和良性軟件的也有明顯差異，characteristics屬性通常**該節(jié)是否可讀、可寫、可執(zhí)行等，部分惡意軟件的代碼節(jié)存在可寫異常，只讀數(shù)據(jù)節(jié)和資源節(jié)存在可寫、可執(zhí)行異常等；(4)惡意軟件資源節(jié)的資源個數(shù)也明顯少于良性軟件的，如消息表、組圖表、版本資源等，這是因為惡意軟件很少使用圖形界面資源，也很少有版本信息。pe文件很多格式屬性沒有強制限制，文件完整性約束松散，存在著較多的冗余屬性和冗余空間，為pe格式惡意軟件的傳播和隱藏創(chuàng)造了條件。此外，由于惡意軟件為了方便傳播和隱藏，盡一切可能的減小文件大小，文件結(jié)構(gòu)的某些部分重疊，同時對一些屬性進行了特別設置以達到anti-dump、anti-debug或抗反匯編。艾策檢測為新能源汽車電池提供安全性能深度解析。合肥第三方軟件測試

    生成取值表。3把取值表與選擇的正交表進行映射控件數(shù)Ln(取值數(shù))3個控件5個取值5的3次冪混合正交表當控件的取值數(shù)目水平不一致時候，使用allp**rs工具生成1等價類劃分法劃分值2邊界值分析法邊界值3錯誤推斷法經(jīng)驗4因果圖分析法關系5判定表法條件和結(jié)果6流程圖法流程路徑梳理7場景法主要功能和業(yè)務的事件8正交表先關注主要功能和業(yè)務流程，業(yè)務邏輯是否正確實現(xiàn)，考慮場景法需要輸入數(shù)據(jù)的地方，考慮等價類劃分法+邊界值分析法，發(fā)現(xiàn)程序錯誤的能力**強存在輸入條件的組合情況，考慮因果圖判定表法多種參數(shù)配置組合情況，正交表排列法采用錯誤推斷法再追加測試用例。需求分析場景法分析主要功能輸入的等價類邊界值輸入的各種組合因果圖判定表多種參數(shù)配置正交表錯誤推斷法經(jīng)驗軟件缺陷軟件產(chǎn)品中存在的問題，用戶所需要的功能沒有完全實現(xiàn)。重慶第三方軟件測試公司深圳艾策信息科技：賦能中小企業(yè)的數(shù)字化未來。

    后端融合模型的10折交叉驗證的準確率是％，對數(shù)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(gòu)如圖16所示，中間融合方式用深度神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的輸入訓練模型，隱藏層的***函數(shù)為relu，輸出層的***函數(shù)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(jīng)網(wǎng)絡包含3個隱含層，其***個隱含層的神經(jīng)元個數(shù)是128，第二個隱含層的神經(jīng)元個數(shù)是64，第三個隱含層的神經(jīng)元個數(shù)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(jīng)網(wǎng)絡包含2個隱含層，其***個隱含層的神經(jīng)元個數(shù)是64，其第二個隱含層的神經(jīng)元個數(shù)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(jīng)網(wǎng)絡包含4個隱含層，其***個隱含層的神經(jīng)元個數(shù)是512，第二個隱含層的神經(jīng)元個數(shù)是384，第三個隱含層的神經(jīng)元個數(shù)是256，第四個隱含層的神經(jīng)元個數(shù)是125。

    比黑盒適用性廣的優(yōu)勢就凸顯出來了。[5]軟件測試方法手動測試和自動化測試自動化測試，顧名思義就是軟件測試的自動化，即在預先設定的條件下運行被測程序，并分析運行結(jié)果。總的來說，這種測試方法就是將以人驅(qū)動的測試行為轉(zhuǎn)化為機器執(zhí)行的一種過程。對于手動測試，其在設計了測試用例之后，需要測試人員根據(jù)設計的測試用例一步一步來執(zhí)行測試得到實際結(jié)果，并將其與期望結(jié)果進行比對。[5]軟件測試方法不同階段測試編輯軟件測試方法單元測試單元測試主要是對該軟件的模塊進行測試，通過測試以發(fā)現(xiàn)該模塊的實際功能出現(xiàn)不符合的情況和編碼錯誤。由于該模塊的規(guī)模不大，功能單一，結(jié)構(gòu)較簡單，且測試人員可通過閱讀源程序清楚知道其邏輯結(jié)構(gòu)，首先應通過靜態(tài)測試方法，比如靜態(tài)分析、代碼審查等，對該模塊的源程序進行分析，按照模塊的程序設計的控制流程圖，以滿足軟件覆蓋率要求的邏輯測試要求。另外，也可采用黑盒測試方法提出一組基本的測試用例，再用白盒測試方法進行驗證。若用黑盒測試方法所產(chǎn)生的測試用例滿足不了軟件的覆蓋要求，可采用白盒法增補出新的測試用例，以滿足所需的覆蓋標準。其所需的覆蓋標準應視模塊的實際具體情況而定。滲透測試報告暴露2個高危API接口需緊急加固。

    在不知道多長的子序列能更好的表示可執(zhí)行文件的情況下，只能以固定窗口大小在字節(jié)碼序列中滑動，產(chǎn)生大量的短序列，由機器學習方法選擇可能區(qū)分惡意軟件和良性軟件的短序列作為特征，產(chǎn)生短序列的方法叫n-grams�！�080074ff13b2”的字節(jié)碼序列，如果以3-grams產(chǎn)生連續(xù)部分重疊的短序列，將得到“080074”、“0074ff”、“74ff13”、“ff13b2”四個短序列。每個短序列特征的權(quán)重表示有多種方法。**簡單的方法是如果該短序列在具體樣本中出現(xiàn)，就表示為1；如果沒有出現(xiàn)，就表示為0，也可以用。本實施例采用3-grams方法提取特征，3-grams產(chǎn)生的短序列非常龐大，將產(chǎn)生224＝(16,777,216)個特征，如此龐大的特征集在計算機內(nèi)存中存儲和算法效率上都是問題。如果短序列特征的tf較小，對機器學習可能沒有意義，選取了tf**高的5000個短序列特征，計算每個短序列特征的，每個短序列特征的權(quán)重是判斷其所在軟件樣本是否為惡意軟件的依據(jù)，也是區(qū)分每個軟件樣本的依據(jù)。(4)前端融合前端融合的架構(gòu)如圖4所示，前端融合方式將三種模態(tài)的特征合并，然后輸入深度神經(jīng)網(wǎng)絡，隱藏層的***函數(shù)為relu，輸出層的***函數(shù)是sigmoid，中間使用dropout層進行正則化，防止過擬合，優(yōu)化器。創(chuàng)新光譜分析技術(shù)賦能艾策檢測，實現(xiàn)食品藥品中微量有害物質(zhì)的超痕量檢測。重慶第三方軟件測試公司

云計算與 AI 融合：深圳艾策的創(chuàng)新解決方案。合肥第三方軟件測試

    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(jīng)網(wǎng)絡包含2個隱含層，其***個隱含層的神經(jīng)元個數(shù)是64，第二個神經(jīng)元的隱含層個數(shù)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(shù)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(shù)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(shù)損失和驗證對數(shù)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(shù)損失緩慢下降；綜合分析圖17和圖18的準確率和對數(shù)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(shù)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(shù)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(jīng)非常接近auc的**優(yōu)值1。(7)實驗結(jié)果比對為了綜合評估本實施例提出融合方案的綜合性能。合肥第三方軟件測試