嘗試了前端融合、后端融合和中間融合三種融合方法對進行有效融合，有效提高了惡意軟件的準確率，具備較好的泛化性能和魯棒性。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，對數損失為，auc值為。有效解決了現有采用二進制可執(zhí)行文件的單一特征類型進行惡意軟件檢測的檢測方法檢測結果準確率不高、可靠性低、泛化性和魯棒性不佳的問題。另外，惡意軟件很難同時偽造良性軟件的多個抽象層次的特征以逃避檢測，本發(fā)明實施例同時融合軟件的二進制可執(zhí)行文件的多個抽象層次的特征，可準確檢測出偽造良性軟件特征的惡意軟件，解決了現有采用二進制可執(zhí)行文件的單一特征類型進行惡意軟件檢測的檢測方法難以檢測出偽造良性軟件特征的惡意軟件的問題。附圖說明為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖**是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1是前端融合方法的流程圖。第三方驗證實際啟動速度較廠商宣稱慢0.7秒。信息化系統(tǒng)測評公司

    3)pe可選頭部有效尺寸的值不正確，(4)節(jié)之間的“間縫”，(5)可疑的代碼重定向，(6)可疑的代碼節(jié)名稱，(7)可疑的頭部***，(8)來自，(9)導入地址表被修改，(10)多個pe頭部，(11)可疑的重定位信息，(12)把節(jié)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。存在明顯的統(tǒng)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(jié)的資源個數少于正常文件。生成軟件樣本的字節(jié)碼n-grams特征視圖，是統(tǒng)計了每個短序列特征的詞頻(termfrequency，tf)，即該短序列特征在軟件樣本中出現的頻率。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(jié)碼n-grams特征視圖。：＝tf×idf；tf(termfrequency)是詞頻，定義如下：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。CNAS軟件系統(tǒng)測評服務云計算與 AI 融合：深圳艾策的創(chuàng)新解決方案。

    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(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***函數采用relu，輸出層的***函數采用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(jié)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(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。

    幫助客戶提升內部技術團隊能力。例如，某三甲醫(yī)院在采用艾策科技的醫(yī)療信息化系統(tǒng)檢測方案后，不僅系統(tǒng)漏洞率下降45%，其IT團隊的安全意識與應急響應能力也提升。技術創(chuàng)新未來方向艾策科技創(chuàng)始人兼CTO表示：“作為軟件檢測公司，我們始終將技術創(chuàng)新視為競爭力。未來，公司將重點投入AI算法優(yōu)化、邊緣計算檢測等前沿領域，為電力能源、政企單位等行業(yè)提供更高效、更智能的質量保障服務。”深圳艾策信息科技有限公司是一家立足于粵港澳大灣區(qū)，依托信息技術產業(yè)，面向全國客戶提供專業(yè)、可靠服務的第三方CMACNAS檢測機構。在檢測服務過程中，公司始終堅持以客戶需求為本，秉承公平公正的第三方檢測要求，遵循國家檢測標準規(guī)范，確保檢測數據和結果準確可靠，運用前沿A人工智能技術提高檢測效率。我們追求創(chuàng)造優(yōu)異的社會價值，我們致力于打造公司成為第三方檢測行業(yè)的行業(yè)榜樣。安全審計發(fā)現日志模塊存在敏感信息明文存儲缺陷。

    測試人員素質要求1、責任心2、學習能力3、懷疑精神4、溝通能力5、專注力6、洞察力7、團隊精神8、注重積累軟件測試技術測試目的編輯軟件測試的目的是為了保證軟件產品的**終質量，在軟件開發(fā)的過程中，對軟件產品進行質量控制。一般來說軟件測試應由**的產品評測中心負責，嚴格按照軟件測試流程，制定測試計劃、測試方案、測試規(guī)范，實施測試，對測試記錄進行分析，并根據回歸測試情況撰寫測試報告。測試是為了證明程序有錯，而不能保證程序沒有錯誤。軟件測試技術常見測試編輯回歸測試功能測試壓力測試負載測試性能測試易用性測試安裝與反安裝測試**測試安全性測試兼容性測試內存泄漏測試比較測試Alpha測試Beta測試測試信息流1、軟件配置2、測試配置3、測試工具軟件測試技術-軟件測試的分類1、從是否需要執(zhí)行被測試軟件的角度分類（靜態(tài)測試和動態(tài)測試）。2、從測試是否針對軟件結構與算法的角度分類（白盒測試和黑盒測試）。3、從測試的不同階段分類（單元測試、集成測試、系統(tǒng)測試、驗收測試）。兼容性測試涵蓋35款設備，通過率91.4%。第三方軟件測試報告電話

深圳艾策信息科技：賦能中小企業(yè)的數字化未來。信息化系統(tǒng)測評公司

    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，其***個隱含層的神經元個數是64，第二個神經元的隱含層個數是10，且2個隱含層中間設置有dropout層。且所有dropout層的dropout率等于。本次實驗使用了80％的樣本訓練，20％的樣本驗證，訓練50個迭代以便于找到較優(yōu)的epoch值。隨著迭代數的增加，中間融合模型的準確率變化曲線如圖17所示，模型的對數損失變化曲線如圖18所示。從圖17和圖18可以看出，當epoch值從0增加到20過程中，模型的訓練準確率和驗證準確率快速提高，模型的訓練對數損失和驗證對數損失快速減少；當epoch值從30到50的過程中，中間融合模型的訓練準確率和驗證準確率基本保持不變，訓練對數損失緩慢下降；綜合分析圖17和圖18的準確率和對數損失變化曲線，選取epoch的較優(yōu)值為30。確定模型的訓練迭代數為30后，進行了10折交叉驗證實驗。中間融合模型的10折交叉驗證的準確率是％，對數損失是，混淆矩陣如圖19所示，規(guī)范化后的混淆矩陣如圖20所示。中間融合模型的roc曲線如圖21所示，auc值為，已經非常接近auc的**優(yōu)值1。(7)實驗結果比對為了綜合評估本實施例提出融合方案的綜合性能。信息化系統(tǒng)測評公司