**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，表示與輸入的第i個測試樣本對應的類別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，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，相應的dll文件就會被調(diào)用。一個應用程序可使用多個dll文件，一個dll文件也可能被不同的應用程序使用。api(applicationprogramminginterface)函數(shù)是windows提供給用戶作為應用程序開發(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)嚴格按照程序設計要求和標準組裝起來的模塊同時進行測試，明確該程序結構組裝的正確性，發(fā)現(xiàn)和接口有關的問題，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合的方法進行測試，驗證這一階段設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練樣本，基于多模態(tài)數(shù)據(jù)融合方法，將訓練樣本的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，訓練多模態(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)計當前軟件樣本的導入節(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格式結構信息的特征表示，是先對當前軟件樣本的二進制可執(zhí)行文件進行格式結構解析，然后按照格式規(guī)范提取**該軟件樣本的格式結構信息；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章設計測試第4章程序分析技術第5章測試分析技術第6章測試自動化的優(yōu)越性第7章測試計劃與測試標準第8章介紹一種企業(yè)級測試工具第9章學習一種負載測試軟件第10章軟件測試的經(jīng)驗總結附錄A常見測試術語附錄B測試技術分類附錄C常見的編碼錯誤附錄D有關的測試網(wǎng)站參考文獻軟件測試技術圖書4書名:軟件測試技術第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章測試用例設計第4章測試工具應用第5章測試技術與應用第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)絡的輸入進行模型訓練，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)絡包含3個隱含層，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，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，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，且2個隱含層中間設置有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)深度學習的惡意軟件檢測方法，應用了多模態(tài)深度學習方法來融合dll和api、格式結構信息、字節(jié)碼n-grams特征。人工智能在金融領域的應用：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)存泄漏風險，建議版本迭代修復。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格式結構特征的實驗結果，但稍弱于基于字節(jié)碼3-grams特征的結果。中間融合是三種融合方法中**好的，各項性能指標都非常接近**優(yōu)值。表3實驗結果對比本實施例提出了基于多模態(tài)深度學習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格式結構信息和字節(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。實驗結果顯示，相對**且互補的特征視圖和不同深度學習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，各項性能指標已接近**優(yōu)值?？紤]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