optimizer)采用的是adagrad，batch_size是40。深度神經網絡模型訓練基本都是基于梯度下降的，尋找函數值下降速度**快的方向，沿著下降方向迭代，迅速到達局部**優解的過程就是梯度下降的過程。使用訓練集中的全部樣本訓練一次就是一個epoch，整個訓練集被使用的總次數就是epoch的值。epoch值的變化會影響深度神經網絡的權重值的更新次數。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，前端融合模型的準確率變化曲線如圖5所示，模型的對數損失變化曲線如圖6所示。從圖5和圖6可以看出，當epoch值從0增加到5過程中，模型的驗證準確率和驗證對數損失有一定程度的波動；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基本不變，訓練和驗證對數損失基本不變；綜合分析圖5和圖6的準確率和對數損失變化曲線，選取epoch的較優值為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。前端融合模型的10折交叉驗證的準確率是％，對數損失是，混淆矩陣如圖7所示，規范化后的混淆矩陣如圖8所示。前端融合模型的roc曲線如圖9所示，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。能耗評估顯示后臺服務耗電量超出行業基準值42%。西安第三方軟件評測中心

    [3]軟件測試方法原則編輯1.盡早不斷測試的原則應當盡早不斷地進行軟件測試。據統計約60%的錯誤來自設計以前，并且修正一個軟件錯誤所需的費用將隨著軟件生存周期的進展而上升。錯誤發現得越早，修正它所需的費用就越少。[4]測試用例由測試輸入數據和與之對應的預期輸出結果這兩部分組成。[4]3.**測試原則(1)**測試原則。這是指軟件測試工作由在經濟上和管理上**于開發機構的**進行。程序員應避免檢査自己的程序，程序設計機構也不應測試自己開發的程序。軟件開發者難以客觀、有效地測試自己的軟件，而找出那些因為對需求的誤解而產生的錯誤就更加困難。[4](2)合法和非合法原則。在設計時，測試用例應當包括合法的輸入條件和不合法的輸入條件。[4](3)錯誤群集原則。軟件錯誤呈現群集現象。經驗表明，某程序段剩余的錯誤數目與該程序段中已發現的錯誤數目成正比，所以應該對錯誤群集的程序段進行重點測試。[4](4)嚴格性原則。嚴格執行測試計劃，排除測試的隨意性。[4](5)覆蓋原則。應當對每一個測試結果做***的檢查。[4](6)定義功能測試原則。檢查程序是否做了要做的事*是成功的一半，另一半是看程序是否做了不屬于它做的事。[4](7)回歸測試原則。應妥善保留測試用例。石家莊第三方軟件測試中心第三方實驗室驗證數據處理速度較上代提升1.8倍。

    此外格式結構信息具有明顯的語義信息，但基于格式結構信息的檢測方法沒有提取決定軟件行為的代碼節和數據節信息作為特征。某一種類型的特征都從不同的視角反映刻畫了可執行文件的一些性質，字節碼n-grams、dll和api信息、格式結構信息都部分捕捉到了惡意軟件和良性軟件間的可區分信息，但都存在著一定的局限性，不能充分、綜合、整體的表示可執行文件的本質，使得檢測結果準確率不高、可靠性低、泛化性和魯棒性不佳。此外，惡意軟件通常偽造出和良性軟件相似的特征，逃避反**軟件的檢測。技術實現要素：本發明實施例的目的在于提供一種基于多模態深度學習的惡意軟件檢測方法，以解決現有采用二進制可執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準確率不高、檢測可靠性低、泛化性和魯棒性不佳的問題，以及其難以檢測出偽造良性軟件特征的惡意軟件的問題。本發明實施例所采用的技術方案是，基于多模態深度學習的惡意軟件檢測方法，按照以下步驟進行：步驟s1、提取軟件樣本的二進制可執行文件的dll和api信息、pe格式結構信息以及字節碼n-grams的特征表示，生成軟件樣本的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。

    [1]中文名軟件測試方法外文名SoftwareTestingMethod目的測試軟件性能所屬行業計算機作用選擇合適的軟件目錄1概述2原則3分類?靜態測試和動態測試?黑盒測試、白盒測試和灰盒測試?手動測試和自動化測試4不同階段測試?單元測試?集成測試?系統測試?驗收測試5重要性軟件測試方法概述編輯軟件測試方法的目的包括：發現軟件程序中的錯誤、對軟件是否符合設計要求，以及是否符合合同中所要達到的技術要求，進行有關驗證以及評估軟件的質量。**終實現將高質量的軟件系統交給用戶的目的。而軟件的基本測試方法主要有靜態測試和動態測試、功能測試、性能測試、黑盒測試和白盒測試等等。[2]軟件測試方法眾多，比較常用到的測試方法有等價類劃分、場景法，偶爾會使用到的測試方法有邊界值和判定表，還有包括不經常使用到的正交排列法和測試大綱法。其中等價類劃分、邊界值分析、判定表等屬于黑盒測試方法；只對功能是否可以滿足規定要求進行檢查，主要用于軟件的確認測試階段。白盒測試也叫做結構測試或邏輯驅動測試，是基于覆蓋的全部代碼和路徑、條件的測試，通過測試檢測產品內部性能，檢驗程序中的路徑是否可以按照要求完成工作，但是并不對功能進行測試，主要用于軟件的驗證。對比分析顯示資源占用率高于同類產品均值26%。

    ***級初始級TMM初始級軟件測試過程的特點是測試過程無序，有時甚至是混亂的，幾乎沒有妥善定義的。初始級中軟件的測試與調試常常被混為一談，軟件開發過程中缺乏測試資源，工具以及訓練有素的測試人員。初始級的軟件測試過程沒有定義成熟度目標。第二級定義級TMM的定義級中，測試己具備基本的測試技術和方法，軟件的測試與調試己經明確地被區分開。這時，測試被定義為軟件生命周期中的一個階段，它緊隨在編碼階段之后。但在定義級中，測試計劃往往在編碼之后才得以制訂，這顯然有背于軟件工程的要求。TMM的定義級中需實現3個成熟度目標:制訂測試與調試目標，啟動測試計劃過程，制度化基本的測試技術和方法。(I)制訂測試與調試目標軟件**必須消晰地區分軟件開發的測試過程與調試過程，識別各自的目標，任務和括動。正確區分這兩個過程是提高軟件**測試能力的基礎。與調試工作不同，測試工作是一種有計劃的活動，可以進行管理和控制。這種管理和控制活動需要制訂相應的策略和政策，以確定和協調這兩個過程。制訂測試與調試目標包含5個子成熟度目標:1)分別形成測試**和調試**，并有經費支持。2)規劃并記錄測試目標。3)規劃井記錄調試目標。4)將測試和調試目標形成文檔。艾策醫療檢測中心為體外診斷試劑提供全流程合規性驗證服務。軟件平臺測試報告

創新光譜分析技術賦能艾策檢測，實現食品藥品中微量有害物質的超痕量檢測。西安第三方軟件評測中心

    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。西安第三方軟件評測中心