[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。可靠性評估連續運行72小時出現2次非致命錯誤。軟件系統評測中心

    綜合上面的分析可以看出，惡意軟件的格式信息和良性軟件是有很多差異性的，以可執行文件的格式信息作為特征，是識別已知和未知惡意軟件的可行方法。對每個樣本進行格式結構解析，提取**每個樣本實施例件的格式結構信息，可執行文件的格式規范都由操作系統廠商給出，按照操作系統廠商給出的格式規范提取即可。pe文件的格式結構有許多屬性，但大多數屬性無法區分惡意軟件和良性軟件，經過深入分析pe文件的格式結構屬性，提取了可能區分惡意軟件和良性軟件的136個格式結構屬性，如表2所示。表2可能區分惡意軟件和良性軟件的pe格式結構屬性特征描述數量(個)引用dll的總數1引用api的總數1導出表中符號的總數1重定位節的項目總數，連續的幾個字節可能是完成特定功能的一段代碼，或者是可執行文件的結構信息，也可能是某個惡意軟件中特有的字節碼序列。pe文件可表示為字節碼序列，惡意軟件可能存在一些共有的字節碼子序列模式，研究人員直覺上認為一些字節碼子序列在惡意軟件可能以較高頻率出現，且這些字節碼序列和良性軟件字節碼序列存在明顯差異。可執行文件通常是二進制文件，需要把二進制文件轉換為十六進制的文本實施例件，就得到可執行文件的十六進制字節碼序列。河南第三方軟件測試中心滲透測試報告暴露2個高危API接口需緊急加固。

    本書內容充實、實用性強，可作為高職高專院校計算機軟件軟件測試技術課程的教材，也可作為有關軟件測試的培訓教材，對從事軟件測試實際工作的相關技術人員也具有一定的參考價值。目錄前言第1章軟件測試基本知識第2章測試計劃第3章測試設計和開發第4章執行測試第5章測試技術與應用第6章軟件測試工具第7章測試文檔實例附錄IEEE模板參考文獻軟件測試技術圖書3基本信息書號：軟件測試技術7-113-07054作者：李慶義定價：出版日期：套系名稱：21世紀高校計算機應用技術系列規劃教材出版單位：**鐵道出版社內容簡介本書主要介紹軟件適用測試技術。內容分為三部分，***部分為概念基礎、測試理論的背景及發展，簡要地分析了當前測試技術的現狀；第二部分介紹軟件測試的程序分析技術、測試技術，軟件測試的方法和策略，分析了軟件業在測試方面的研究成果，并總結了測試的基本原則和一些好的實踐經驗；第三部分介紹了兩種測試工具軟件——基于Windows的WinRunner和服務器負載測試軟件WAS。本書結合實際，從一些具體的實例出發，介紹軟件測試的一些基本概念和方法，分析出軟件測試的基本理論知識，適用性比較強。

    比黑盒適用性廣的優勢就凸顯出來了。[5]軟件測試方法手動測試和自動化測試自動化測試，顧名思義就是軟件測試的自動化，即在預先設定的條件下運行被測程序，并分析運行結果。總的來說，這種測試方法就是將以人驅動的測試行為轉化為機器執行的一種過程。對于手動測試，其在設計了測試用例之后，需要測試人員根據設計的測試用例一步一步來執行測試得到實際結果，并將其與期望結果進行比對。[5]軟件測試方法不同階段測試編輯軟件測試方法單元測試單元測試主要是對該軟件的模塊進行測試，通過測試以發現該模塊的實際功能出現不符合的情況和編碼錯誤。由于該模塊的規模不大，功能單一，結構較簡單，且測試人員可通過閱讀源程序清楚知道其邏輯結構，首先應通過靜態測試方法，比如靜態分析、代碼審查等，對該模塊的源程序進行分析，按照模塊的程序設計的控制流程圖，以滿足軟件覆蓋率要求的邏輯測試要求。另外，也可采用黑盒測試方法提出一組基本的測試用例，再用白盒測試方法進行驗證。若用黑盒測試方法所產生的測試用例滿足不了軟件的覆蓋要求，可采用白盒法增補出新的測試用例，以滿足所需的覆蓋標準。其所需的覆蓋標準應視模塊的實際具體情況而定。負載測試證實系統最大承載量較宣傳數據低18%。

    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。自動化測試發現7個邊界條件未處理的異常情況。軟件檢測報告機構

第三方驗證實際啟動速度較廠商宣稱慢0.7秒。軟件系統評測中心

    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。軟件系統評測中心