[VIP第1年] 指数:3
k为短序列特征总数，1≤i≤k。可执行文件长短大小不一，为了防止该特征统计有偏，使用∑knk,j进行归一化处理。逆向文件频率(inversedocumentfrequency，idf)是一个短序列特征普遍重要性的度量。某一短序列特征的idf，可以由总样本实施例件数目除以包含该短序列特征之样本实施例件的数目，再将得到的商取对数得到：其中，|d|指软件样本j的总数，|{j:i∈j}|指包含短序列特征i的软件样本j的数目。idf的主要思想是：如果包含短序列特征i的软件练样本越少，也就是|{j:i∈j}|越小，idf越大，则说明短序列特征i具有很好的类别区分能力。：如果某一特征在某样本中以较高的频率出现，而包含该特征的样本数目较小，可以产生出高权重的，该特征的。因此，，保留重要的特征。此处选取可能区分恶意软件和良性软件的短序列特征，是因为字节码n-grams提取的特征很多，很多都是无效特征，或者效果非常一般的特征，保持这些特征会影响检测方法的性能和效率，所以要选出有效的特征即可能区分恶意软件和良性软件的短序列特征。步骤s2、将软件样本中的类别已知的软件样本作为训练样本，然后分别采用前端融合方法、后端融合方法和中间融合方法设计三种不同方案的多模态数据融合方法。艾策科技发布产品：智能企业管理平台。长春软件检测报告报价
optimizer)采用的是adagrad，batch_size是40。深度神经网络模型训练基本都是基于梯度下降的，寻找函数值下降速度**快的方向，沿着下降方向迭代，迅速到达局部**优解的过程就是梯度下降的过程。使用训练集中的全部样本训练一次就是一个epoch，整个训练集被使用的总次数就是epoch的值。epoch值的变化会影响深度神经网络的权重值的更新次数。本次实验使用了80％的样本训练，20％的样本验证，训练50个迭代以便于找到较优的epoch值。随着迭代数的增加，前端融合模型的准确率变化曲线如图5所示，模型的对数损失变化曲线如图6所示。从图5和图6可以看出，当epoch值从0增加到5过程中，模型的验证准确率和验证对数损失有一定程度的波动；当epoch值从5到50的过程中，前端融合模型的训练准确率和验证准确率基本不变，训练和验证对数损失基本不变；综合分析图5和图6的准确率和对数损失变化曲线，选取epoch的较优值为30。确定模型的训练迭代数为30后，进行了10折交叉验证实验。前端融合模型的10折交叉验证的准确率是％，对数损失是，混淆矩阵如图7所示，规范化后的混淆矩阵如图8所示。前端融合模型的roc曲线如图9所示，该曲线反映的是随着检测阈值变化下检测率与误报率之间的关系曲线。江苏软件产品测试报告渗透测试报告暴露2个高危API接口需紧急加固。
图2是后端融合方法的流程图。图3是中间融合方法的流程图。图4是前端融合模型的架构图。图5是前端融合模型的准确率变化曲线图。图6是前端融合模型的对数损失变化曲线图。图7是前端融合模型的检测混淆矩阵示意图。图8是规范化前端融合模型的检测混淆矩阵示意图。图9是前端融合模型的roc曲线图。图10是后端融合模型的架构图。图11是后端融合模型的准确率变化曲线图。图12是后端融合模型的对数损失变化曲线图。图13是后端融合模型的检测混淆矩阵示意图。图14是规范化后端融合模型的检测混淆矩阵示意图。图15是后端融合模型的roc曲线图。图16是中间融合模型的架构图。图17是中间融合模型的准确率变化曲线图。图18是中间融合模型的对数损失变化曲线图。图19是中间融合模型的检测混淆矩阵示意图。图20是规范化中间融合模型的检测混淆矩阵示意图。图21是中间融合模型的roc曲线图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例**是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[1]中文名软件测试方法外文名SoftwareTestingMethod目的测试软件性能所属行业计算机作用选择合适的软件目录1概述2原则3分类▪静态测试和动态测试▪黑盒测试、白盒测试和灰盒测试▪手动测试和自动化测试4不同阶段测试▪单元测试▪集成测试▪系统测试▪验收测试5重要性软件测试方法概述编辑软件测试方法的目的包括：发现软件程序中的错误、对软件是否符合设计要求，以及是否符合合同中所要达到的技术要求，进行有关验证以及评估软件的质量。**终实现将高质量的软件系统交给用户的目的。而软件的基本测试方法主要有静态测试和动态测试、功能测试、性能测试、黑盒测试和白盒测试等等。[2]软件测试方法众多，比较常用到的测试方法有等价类划分、场景法，偶尔会使用到的测试方法有边界值和判定表，还有包括不经常使用到的正交排列法和测试大纲法。其中等价类划分、边界值分析、判定表等属于黑盒测试方法；只对功能是否可以满足规定要求进行检查，主要用于软件的确认测试阶段。白盒测试也叫做结构测试或逻辑驱动测试，是基于覆盖的全部代码和路径、条件的测试，通过测试检测产品内部性能，检验程序中的路径是否可以按照要求完成工作，但是并不对功能进行测试，主要用于软件的验证。策科技助力教育行业：数字化教学的创新应用 。
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，其***个隐含层的神经元个数是64，第二个神经元的隐含层个数是10，且2个隐含层中间设置有dropout层。且所有dropout层的dropout率等于。本次实验使用了80％的样本训练，20％的样本验证，训练50个迭代以便于找到较优的epoch值。随着迭代数的增加，中间融合模型的准确率变化曲线如图17所示，模型的对数损失变化曲线如图18所示。从图17和图18可以看出，当epoch值从0增加到20过程中，模型的训练准确率和验证准确率快速提高，模型的训练对数损失和验证对数损失快速减少；当epoch值从30到50的过程中，中间融合模型的训练准确率和验证准确率基本保持不变，训练对数损失缓慢下降；综合分析图17和图18的准确率和对数损失变化曲线，选取epoch的较优值为30。确定模型的训练迭代数为30后，进行了10折交叉验证实验。中间融合模型的10折交叉验证的准确率是％，对数损失是，混淆矩阵如图19所示，规范化后的混淆矩阵如图20所示。中间融合模型的roc曲线如图21所示，auc值为，已经非常接近auc的**优值1。(7)实验结果比对为了综合评估本实施例提出融合方案的综合性能。如何选择适合企业的 IT 解决方案？江苏软件产品测试报告
创新光谱分析技术赋能艾策检测，实现食品药品中微量有害物质的超痕量检测。长春软件检测报告报价
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。长春软件检测报告报价
文章来源地址: http://swfw.spyljgsb.chanpin818.com/jiancefuwu/deta_27266577.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。
