后端融合模型的10折交叉驗證的準確率是％，對數損失是，混淆矩陣如圖13所示，規范化后的混淆矩陣如圖14所示。后端融合模型的roc曲線如圖15所示，其顯示后端融合模型的auc值為。(6)中間融合中間融合的架構如圖16所示，中間融合方式用深度神經網絡從三種模態的特征分別抽取高等特征表示，然后合并學習得到的特征表示，再作為下一個深度神經網絡的輸入訓練模型，隱藏層的***函數為relu，輸出層的***函數是sigmoid，中間使用dropout層進行正則化，防止過擬合，優化器(optimizer)采用的是adagrad，batch_size是40。圖16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，其***個隱含層的神經元個數是128，第二個隱含層的神經元個數是64，第三個隱含層的神經元個數是32，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，其***個隱含層的神經元個數是64，其第二個隱含層的神經元個數是32，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，其***個隱含層的神經元個數是512，第二個隱含層的神經元個數是384，第三個隱含層的神經元個數是256，第四個隱含層的神經元個數是125。多平臺兼容性測試顯示Linux環境下存在驅動適配問題。信息系統安全檢測

    對一些質量要求和可靠性要求較高的模塊，一般要滿足所需條件的組合覆蓋或者路徑覆蓋標準。[2]軟件測試方法集成測試集成測試是軟件測試的第二階段，在這個階段，通常要對已經嚴格按照程序設計要求和標準組裝起來的模塊同時進行測試，明確該程序結構組裝的正確性，發現和接口有關的問題，比如模塊接口的數據是否會在穿越接口時發生丟失；各個模塊之間因某種疏忽而產生不利的影響；將模塊各個子功能組合起來后產生的功能要求達不到預期的功能要求；一些在誤差范圍內且可接受的誤差由于長時間的積累進而到達了不能接受的程度；數據庫因單個模塊發生錯誤造成自身出現錯誤等等。同時因集成測試是界于單元測試和系統測試之間的，所以，集成測試具有承上啟下的作用。因此有關測試人員必須做好集成測試工作。在這一階段，一般采用的是白盒和黑盒結合的方法進行測試，驗證這一階段設計的合理性以及需求功能的實現性。[2]軟件測試方法系統測試一般情況下，系統測試采用黑盒法來進行測試的，以此來檢查該系統是否符合軟件需求。本階段的主要測試內容包括健壯性測試、性能測試、功能測試、安裝或反安裝測試、用戶界面測試、壓力測試、可靠性及安全性測試等。軟件性能效率測評機構排名數據安全與合規：艾策科技的最佳實踐。

    坐標點(0,1)**一個完美的分類器，它將所有的樣本都正確分類。roc曲線越接近左上角，該分類器的性能越好。從圖9可以看出，該方案的roc曲線非常接近左上角，性能較優。另外，前端融合模型的auc值為。(5)后端融合后端融合的架構如圖10所示，后端融合方式用三種模態的特征分別訓練神經網絡模型，然后進行決策融合，隱藏層的***函數為relu，輸出層的***函數是sigmoid，中間使用dropout層進行正則化，防止過擬合，優化器(optimizer)采用的是adagrad，batch_size是40。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的epoch值。隨著迭代數的增加，后端融合模型的準確率變化曲線如圖11所示，模型的對數損失變化曲線如圖12所示。從圖11和圖12可以看出，當epoch值從0增加到5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5到50的過程中，前端融合模型的訓練準確率和驗證準確率小幅提高，訓練對數損失和驗證對數損失緩慢下降；綜合分析圖11和圖12的準確率和對數損失變化曲線，選取epoch的較優值為40。確定模型的訓練迭代數為40后，進行了10折交叉驗證實驗。

    快速原型模型部分需求-原型-補充-運行外包公司預先不能明確定義需求的軟件系統的開發，更好的滿足用戶需求并減少由于軟件需求不明確帶來的項目開發風險。不適合大型系統的開發，前提要有一個展示性的產品原型，在一定程度上的補充，限制開發人員的創新。螺旋模型每次功能都要**行風險評估，需求設計-測試很大程度上是一種風險驅動的方法體系，在每個階段循環前，都進行風險評估。需要有相當豐富的風險評估經驗和專門知識，在風險較大的項目開發中，很有必要，多次迭代，增加成本。軟件測試模型需求分析-概要設計-詳細設計-開發-單元測試-集成測試-系統測試-驗收測試***清楚標識軟件開發的階段包含底層測試和高層測試采用自頂向下逐步求精的方式把整個開發過程分成不同的階段，每個階段的工作都很明確，便于控制開發過程。缺點程序已經完成，錯誤在測試階段發現或沒有發現，不能及時修改而且需求經常變化導致V步驟反復執行，工作量很大。W模型開發一個V測試一個V用戶需求驗收測試設計需求分析系統測試設計概要設計集成測試設計詳細設計單元測試設計編碼單元測試集成集成測試運行系統測試交付驗收測試***測試更早的介入，可以發現開發初期的缺陷。5G 與物聯網：深圳艾策的下一個技術前沿。

    **小化對數損失基本等價于**大化分類器的準確度，對于完美的分類器，對數損失值為0。對數損失函數的計算公式如下：其中，y為輸出變量即輸出的測試樣本的檢測結果，x為輸入變量即測試樣本，l為損失函數，n為測試樣本(待檢測軟件的二進制可執行文件)數目，yij是一個二值指標，表示與輸入的第i個測試樣本對應的類別j，類別j指良性軟件或惡意軟件，pij為輸入的第i個測試樣本屬于類別j的概率，m為總類別數，本實施例中m＝2。分類器的性能也可用roc曲線(receiveroperatingcharacteristic)評價，roc曲線的縱軸是檢測率(true****itiverate)，橫軸是誤報率(false****itiverate)，該曲線反映的是隨著檢測閾值變化下檢測率與誤報率之間的關系曲線。roc曲線下面積(areaunderroccurve，auc)的值是評價分類器比較綜合的指標，auc的值通常介于，較大的auc值一般表示分類器的性能較優。(3)特征提取提取dll和api信息特征視圖dll(dynamiclinklibrary)文件為動態鏈接庫文件，執行某一個程序時，相應的dll文件就會被調用。一個應用程序可使用多個dll文件，一個dll文件也可能被不同的應用程序使用。api(applicationprogramminginterface)函數是windows提供給用戶作為應用程序開發的接口。第三方測評顯示軟件運行穩定性達99.8%，未發現重大系統崩潰隱患。湖南省軟件測評機構

兼容性測試涵蓋35款設備，通過率91.4%。信息系統安全檢測

    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特征視圖輸入深度神經網絡，訓練多模態深度集成模型；(1)方案一：采用前端融合(early-fusion)方法，首先合并訓練樣本的dll和api信息特征視圖、格式信息特征視圖以及字節碼n-grams特征視圖的特征，融合成一個單一的特征向量空間，然后將其作為深度神經網絡模型的輸入，訓練多模態深度集成模型；(2)方案二：首先利用訓練樣本的dll和api信息特征視圖、格式信息特征視圖以及字節碼n-grams特征視圖分別訓練深度神經網絡模型，合并訓練的三個深度神經網絡模型的決策輸出，并將其作為感知機的輸入，訓練得到**終的多模態深度集成模型；(3)方案三：采用中間融合(intermediate-fusion)方法，首先使用三個深度神經網絡分別學習訓練樣本的dll和api信息特征視圖、格式信息特征視圖以及字節碼n-grams特征視圖的高等特征表示，并合并學習得到的訓練樣本的dll和api信息特征視圖、格式信息特征視圖以及字節碼n-grams特征視圖的高等特征表示融合成一個單一的特征向量空間，然后將其作為下一個深度神經網絡的輸入，訓練得到多模態深度神經網絡模型。步驟s3、將軟件樣本中的類別未知的軟件樣本作為測試樣本。信息系統安全檢測