并分發至項目涉及的所有管理人員和開發人員。5)將測試目標反映在測試計劃中。(II)啟動測試計劃過程制訂計劃是使一個過程可重復，可定義和可管理的基礎。測試計劃應包括測試目的，風險分析，測試策略以及測試設計規格說明和測試用例。此外，測試計劃還應說明如何分配測試資源，如何劃分單元測試，集成測試，系統測試和驗收測試的任務。啟動測試計劃過程包含5個子目標:1)建立**內的測試計劃**并予以經費支持。2)建立**內的測試計劃政策框架并予以管理上的支持。3)開發測試計劃模板井分發至項目的管理者和開發者。4)建立一種機制，使用戶需求成為測試計劃的依據之一。5)評價，推薦和獲得基本的計劃工具并從管理上支持工具的使用。(III)制度化基本的測試技術和方法?為改進測試過程能力，**中需應用基本的測試技術和方法，并說明何時和怎樣使用這些技術，方法和支持工具。將基本測試技術和方法制度化有2個子目標:1)在**范圍內成立測試技術組，研究，評價和推薦基本的測試技術和測試方法，推薦支持這些技術與方法的基本工具。2)制訂管理方針以保證在全**范圍內一致使用所推薦的技術和方法。第三級集成級在集成級，測試不**是跟隨在編碼階段之后的一個階段。從傳統到智能：艾策科技助力制造業升級之路。軟件檢測報告在哪里做

    生成取值表。3把取值表與選擇的正交表進行映射控件數Ln(取值數)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錯誤推斷法經驗4因果圖分析法關系5判定表法條件和結果6流程圖法流程路徑梳理7場景法主要功能和業務的事件8正交表先關注主要功能和業務流程，業務邏輯是否正確實現，考慮場景法需要輸入數據的地方，考慮等價類劃分法+邊界值分析法，發現程序錯誤的能力**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配置正交表錯誤推斷法經驗軟件缺陷軟件產品中存在的問題，用戶所需要的功能沒有完全實現。廣州軟件檢測公司整合多學科團隊的定制化檢測方案，體現艾策服務于制造的技術深度。

    圖2是后端融合方法的流程圖。圖3是中間融合方法的流程圖。圖4是前端融合模型的架構圖。圖5是前端融合模型的準確率變化曲線圖。圖6是前端融合模型的對數損失變化曲線圖。圖7是前端融合模型的檢測混淆矩陣示意圖。圖8是規范化前端融合模型的檢測混淆矩陣示意圖。圖9是前端融合模型的roc曲線圖。圖10是后端融合模型的架構圖。圖11是后端融合模型的準確率變化曲線圖。圖12是后端融合模型的對數損失變化曲線圖。圖13是后端融合模型的檢測混淆矩陣示意圖。圖14是規范化后端融合模型的檢測混淆矩陣示意圖。圖15是后端融合模型的roc曲線圖。圖16是中間融合模型的架構圖。圖17是中間融合模型的準確率變化曲線圖。圖18是中間融合模型的對數損失變化曲線圖。圖19是中間融合模型的檢測混淆矩陣示意圖。圖20是規范化中間融合模型的檢測混淆矩陣示意圖。圖21是中間融合模型的roc曲線圖。具體實施方式下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例**是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。

    12)把節裝入到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；所述存在明顯的統計差異的格式結構特征包括：(1)無證書表；(2)調試數據明顯小于正常文件，(3).text、.rsrc、.reloc和.rdata的characteristics屬性異常，(4)資源節的資源個數少于正常文件。進一步的，所述生成軟件樣本的字節碼n-grams特征視圖的具體實現過程如下：先從當前軟件樣本的所有短序列特征中選取詞頻tf**高的多個短序列特征；然后計算選取的每個短序列特征的逆向文件頻率idf與詞頻tf的乘積，并將其作為選取的每個短序列特征的特征值，，表示該短序列特征表示其所在軟件樣本的能力越強；**后在選取的詞頻tf**高的多個短序列特征中選取，生成字節碼n-grams特征視圖；：＝tf×idf；其中，ni,j是短序列特征i在軟件樣本j中出現的次數，∑knk,j指軟件樣本j中所有短序列特征出現的次數之和，k為短序列特征總數，1≤i≤k；其中，|d|指軟件樣本j的總數，|{j:i∈j}|指包含短序列特征i的軟件樣本j的數目。進一步的，所述步驟s2采用中間融合方法訓練多模態深度集成模型。用戶隱私測評確認數據采集范圍超出聲明條款3項。

    12)把節裝入到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)惡意軟件的調試數據也明顯小于正常文件的，這是因為惡意軟件為了增加調試的難度，很少有調試數據；(3)惡意軟件4個節(.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**該節是否可讀、可寫、可執行等，部分惡意軟件的代碼節存在可寫異常，只讀數據節和資源節存在可寫、可執行異常等；(4)惡意軟件資源節的資源個數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，文件結構的某些部分重疊，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。數據驅動決策：艾策科技如何提升企業競爭力。軟件產品測試機構

網絡安全新時代：深圳艾策的防御策略解析。軟件檢測報告在哪里做

    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碼n-grams特征視圖分別輸入至一個深度神經網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網絡的輸入進行模型訓練，得到多模態深度集成模型。進一步的，所述多模態深度集成模型的隱藏層的***函數采用relu，輸出層的***函數采用sigmoid，中間使用dropout層進行正則化，優化器采用adagrad。進一步的，所述訓練得到的多模態深度集成模型中，用于抽取dll和api信息特征視圖的深度神經網絡包含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網絡包含2個隱含層，且2個隱含層中間設置有dropout層；用于抽取字節碼n-grams特征視圖的深度神經網絡包含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網絡包含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。本發明實施例的有益效果是，提出了一種基于多模態深度學習的惡意軟件檢測方法，應用了多模態深度學習方法來融合dll和api、格式結構信息、字節碼n-grams特征。軟件檢測報告在哪里做