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特征视图输入深度神经网络，训练多模态深度集成模型；(1)方案一：采用前端融合(early-fusion)方法，首先合并训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图的特征，融合成一个单一的特征向量空间，然后将其作为深度神经网络模型的输入，训练多模态深度集成模型；(2)方案二：首先利用训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图分别训练深度神经网络模型，合并训练的三个深度神经网络模型的决策输出，并将其作为感知机的输入，训练得到**终的多模态深度集成模型；(3)方案三：采用中间融合(intermediate-fusion)方法，首先使用三个深度神经网络分别学习训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图的高等特征表示，并合并学习得到的训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图的高等特征表示融合成一个单一的特征向量空间，然后将其作为下一个深度神经网络的输入，训练得到多模态深度神经网络模型。步骤s3、将软件样本中的类别未知的软件样本作为测试样本。网络延迟测评显示亚太地区响应时间超欧盟2倍。长春软件测评中心
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。长春软件测评中心艾策纺织品检测实验室配备气候老化模拟舱，验证户外用品的耐久性与色牢度。
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。
坐标点(0,1)**一个完美的分类器，它将所有的样本都正确分类。roc曲线越接近左上角，该分类器的性能越好。从图9可以看出，该方案的roc曲线非常接近左上角，性能较优。另外，前端融合模型的auc值为。(5)后端融合后端融合的架构如图10所示，后端融合方式用三种模态的特征分别训练神经网络模型，然后进行决策融合，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。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，后端融合模型的准确率变化曲线如图11所示，模型的对数损失变化曲线如图12所示。从图11和图12可以看出，当epoch值从0增加到5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小幅提高，训练对数损失和验证对数损失缓慢下降；综合分析图11和图12的准确率和对数损失变化曲线，选取epoch的较优值为40。确定模型的训练迭代数为40后，进行了10折交叉验证实验。艾策科技：如何用数据分析重塑企业决策！
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，基于多模态数据融合方法，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特征视图输入深度神经网络，训练多模态深度集成模型；步骤s3、将软件样本中的类别未知的软件样本作为测试样本，并将测试样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图输入步骤s2训练得到的多模态深度集成模型中，对测试样本进行检测并得出检测结果。进一步的，所述提取软件样本的二进制可执行文件的dll和api信息的特征表示，是统计当前软件样本的导入节中引用的dll和api；所述提取软件样本的二进制可执行文件的pe格式结构信息的特征表示，是先对当前软件样本的二进制可执行文件进行格式结构解析，然后按照格式规范提取**该软件样本的格式结构信息；所述提取软件样本的二进制可执行文件的字节码n-grams的特征表示，是先将当前软件样本件的二进制可执行文件转换为十六进制字节码序列，然后采用n-grams方法在十六进制字节码序列中滑动，产生大量的连续部分重叠的短序列特征。进一步的，采用3-grams方法在十六进制字节码序列中滑动产生连续部分重叠的短序列特征。进一步的。数据驱动决策：艾策科技如何提升企业竞争力。长春软件测评中心
隐私合规检测确认用户数据加密符合GDPR标准要求。长春软件测评中心
程序利用windows提供的接口(windowsapi)实现程序的功能。通过一个可执行程序引用的动态链接库(dll)和应用程序接口(api)可以粗略的预测该程序的功能和行为。统计所有样本的导入节中引用的dll和api的频率，留下引用频率**高的60个dll和500个api。提取特征时，每个样本的导入节里存在选择出的dll或api，该特征以1表示，不存在则以0表示，提取的560个dll和api特征作为***个特征视图。提取格式信息特征视图pe是portableexecutable的缩写，初衷是希望能开发一个在所有windows平台上和所有cpu上都可执行的通用文件格式。pe格式文件是封装windows操作系统加载程序所需的信息和管理可执行代码的数据结构，数据**是大量的字节码和数据结构的有机融合。pe文件格式被**为一个线性的数据流，由pe文件头、节表和节实体组成。恶意软件或被恶意软件***的可执行文件，它本身也遵循格式要求的约束，但可能存在以下特定格式异常：(1)代码从**后一节开始执行；(2)节头部可疑的属性；(3)pe可选头部有效尺寸的值不正确；(4)节之间的“间缝”；(5)可疑的代码重定向；(6)可疑的代码节名称；(7)可疑的头部***；(8)来自；(9)导入地址表被修改；(10)多个pe头部；(11)可疑的重定位信息；。长春软件测评中心
深圳艾策信息科技有限公司免责声明： 本页面所展现的信息及其他相关推荐信息，均来源于其对应的商铺，信息的真实性、准确性和合法性由该信息的来源商铺所属企业完全负责。本站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。
友情提醒： 建议您在购买相关产品前务必确认资质及产品质量，过低的价格有可能是虚假信息，请谨慎对待，谨防上当受骗。