[VIP第1年] 指数:3
**小化对数损失基本等价于**大化分类器的准确度，对于完美的分类器，对数损失值为0。对数损失函数的计算公式如下：其中，y为输出变量即输出的测试样本的检测结果，x为输入变量即测试样本，l为损失函数，n为测试样本(待检测软件的二进制可执行文件)数目，yij是一个二值指标，表示与输入的第i个测试样本对应的类别j，类别j指良性软件或恶意软件，pij为输入的第i个测试样本属于类别j的概率，m为总类别数，本实施例中m＝2。分类器的性能也可用roc曲线(receiveroperatingcharacteristic)评价，roc曲线的纵轴是检测率(true****itiverate)，横轴是误报率(false****itiverate)，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。roc曲线下面积(areaunderroccurve，auc)的值是评价分类器比较综合的指标，auc的值通常介于，较大的auc值一般表示分类器的性能较优。(3)特征提取提取dll和api信息特征视图dll(dynamiclinklibrary)文件为动态链接库文件，执行某一个程序时，相应的dll文件就会被调用。一个应用程序可使用多个dll文件，一个dll文件也可能被不同的应用程序使用。api(applicationprogramminginterface)函数是windows提供给用户作为应用程序开发的接口。基于 AI 视觉识别的自动化检测系统，助力艾策实现生产线上的零缺陷品控目标！西安软件验收测试中心
没有满足用户的需求1未达到需求规格说明书表明的功能2出现了需求规格说明书指明不会出现的错误3软件功能超出了需求规格说明书指明的范围4软件质量不够高维护性移植性效率性可靠性易用性功能性健壮性等5软件未达到软件需求规格说明书未指出但是应该达到的目标计算器没电了下次还得能正常使用6测试或用户觉得不好软件缺陷的表现形式1功能没有完全实现2产品的实际结果和所期望的结果不一致3没有达到需求规格说明书所规定的的性能指标等4运行出错断电运行终端系统崩溃5界面排版重点不突出，格式不统一6用户不能接受的其他问题软件缺陷产生的原因需求错误需求记录错误设计说明错误代码错误兼容性错误时间不充足缺陷的信息缺陷id缺陷标题缺陷严重程度缺陷的优先级缺陷的所属模块缺陷的详细描述缺陷提交时间缺陷的严重程度划分1blocker系统瘫痪异常退出计算错误大部分功能不能使用死机2major功能点不符合用户需求数据丢失3normal**功能特定调点断断续续4Trivial细小的错误优先级划分紧急高中低。深圳市软件测试艾策检测团队采用多模态传感器融合技术，构建智能工厂设备状态健康监测体系。
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。
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。数据驱动决策：艾策科技如何提升企业竞争力。
本发明属于恶意软件防护技术领域：：，涉及一种基于多模态深度学习的恶意软件检测方法。背景技术：：：恶意软件是指在未明确提示用户或未经用户许可的情况下，故意编制或设置的，对网络或系统会产生威胁或潜在威胁的计算机软件。常见的恶意软件有计算机**(简称**)、特洛伊木马(简称木马)、计算机蠕虫(简称蠕虫)、后门、逻辑**等。恶意软件可能在用户不知情的情况下窃取计算机用户的信息和隐私，也可能非法获得计算机系统和网络资源的控制，破坏计算机和网络的可信性、完整性和可用性，从而为恶意软件控制者谋取非法利益。腾讯安全发布的《2017年度互联网安全报告》显示，2017年腾讯电脑管家pc端总计拦截**近30亿次，平均每月拦截木马**近，共发现**或木马***。这些数目庞大、名目繁多的恶意软件侵蚀着我国的***、经济、文化、***等各个领域的信息安全，带来了前所未有的挑战。当前的反**软件主要采用基于特征码的检测方法，这种方法通过对代码进行充分研究，获得恶意软件特征值(即每种恶意软件所独有的十六进制代码串)，如字节序列、特定的字符串等，通过匹配查找软件中是否包含恶意软件特征库中的特征码来判断其是否为恶意软件。对比分析显示资源占用率高于同类产品均值26%。贵阳软件验收测试报告
隐私合规检测确认用户数据加密符合GDPR标准要求。西安软件验收测试中心
综合上面的分析可以看出，恶意软件的格式信息和良性软件是有很多差异性的，以可执行文件的格式信息作为特征，是识别已知和未知恶意软件的可行方法。对每个样本进行格式结构解析，提取**每个样本实施例件的格式结构信息，可执行文件的格式规范都由操作系统厂商给出，按照操作系统厂商给出的格式规范提取即可。pe文件的格式结构有许多属性，但大多数属性无法区分恶意软件和良性软件，经过深入分析pe文件的格式结构属性，提取了可能区分恶意软件和良性软件的136个格式结构属性，如表2所示。表2可能区分恶意软件和良性软件的pe格式结构属性特征描述数量(个)引用dll的总数1引用api的总数1导出表中符号的总数1重定位节的项目总数，连续的几个字节可能是完成特定功能的一段代码，或者是可执行文件的结构信息，也可能是某个恶意软件中特有的字节码序列。pe文件可表示为字节码序列，恶意软件可能存在一些共有的字节码子序列模式，研究人员直觉上认为一些字节码子序列在恶意软件可能以较高频率出现，且这些字节码序列和良性软件字节码序列存在明显差异。可执行文件通常是二进制文件，需要把二进制文件转换为十六进制的文本实施例件，就得到可执行文件的十六进制字节码序列。西安软件验收测试中心
文章来源地址: http://swfw.chanpin818.com/jiancefuwu/deta_27033579.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。
