軟件測評第三方

    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。深圳艾策信息科技：可持續發展的 IT 解決方案。軟件測評第三方

    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。江蘇國保信息系統測評中心代碼質量評估顯示注釋覆蓋率不足30%需加強。

    這樣做的好處是，融合模型的錯誤來自不同的分類器，而來自不同分類器的錯誤往往互不相關、互不影響，不會造成錯誤的進一步累加。常見的后端融合方式包括**大值融合(max-fusion)、平均值融合(averaged-fusion)、貝葉斯規則融合(bayes’rulebased)以及集成學習(ensemblelearning)等。其中集成學習作為后端融合方式的典型**，被廣泛應用于通信、計算機識別、語音識別等研究領域。中間融合是指將不同的模態數據先轉化為高等特征表達，再于模型的中間層進行融合，如圖3所示。以深度神經網絡為例，神經網絡通過一層一層的管道映射輸入，將原始輸入轉換為更高等的表示。中間融合首先利用神經網絡將原始數據轉化成高等特征表達，然后獲取不同模態數據在高等特征空間上的共性，進而學習一個聯合的多模態表征。深度多模態融合的大部分工作都采用了這種中間融合的方法，其***享表示層是通過合并來自多個模態特定路徑的連接單元來構建的。中間融合方法的一大優勢是可以靈活的選擇融合的位置，但設計深度多模態集成結構時，確定如何融合、何時融合以及哪些模式可以融合，是比較有挑戰的問題。字節碼n-grams、dll和api信息、格式結構信息這三種類型的特征都具有自身的優勢。

    2）軟件產品登記測試流程材料準備并遞交------實驗室受理------環境準備------測試實施------輸出報告------通知客戶------繳費并取報告服務區域北京、上海、廣州、深圳、重慶、杭州、南京、蘇州等**各地軟件測試報告|軟件檢測報告以“軟件質量為目標，貫穿整個軟件生命周期、覆蓋軟件測試生命周期”的**測試服務模式，真正做到了“軟件測試應該越早介入越好的原則”，從軟件生命周期的每一個環節把控軟件產品質量；提供軟件產品質量度量依據，提供軟件可靠性分析依據。軟件成果鑒定測試結果可以作為軟件類科技成果鑒定的依據。提供功能、性能、標準符合性、易用性、安全性、可靠性等專項測試服務。科技項目驗收測試報告及鑒定結論,可以真實反映指標的技術水平和市場價值,有助于項目成交和產品營銷。艾策檢測以智能算法驅動分析，為工業產品提供全生命周期質量管控解決方案！

    所述生成軟件樣本的dll和api信息特征視圖，是先統計所有類別已知的軟件樣本的pe可執行文件引用的dll和api信息，從中選取引用頻率**高的多個dll和api信息；然后判斷當前的軟件樣本的導入節里是否存在選擇出的某個引用頻率**高的dll和api信息，如存在，則將當前軟件樣本的該dll或api信息以1表示，否則將其以0表示，從而對當前軟件樣本的所有dll和api信息進行表示形成當前軟件樣本的dll和api信息特征視圖。進一步的，所述生成軟件樣本的格式信息特征視圖，是從當前軟件樣本的pe格式結構信息中選取可能區分惡意軟件和良性軟件的pe格式結構特征，形成當前軟件樣本的格式信息特征視圖。進一步的，所述從當前軟件樣本的pe格式結構信息中選取可能區分惡意軟件和良性軟件的pe格式結構特征，是從當前軟件樣本的pe格式結構信息中確定存在特定格式異常的pe格式結構特征以及存在明顯的統計差異的格式結構特征；所述特定格式異常包括：(1)代碼從**后一節開始執行，(2)節頭部可疑的屬性，(3)pe可選頭部有效尺寸的值不正確，(4)節之間的“間縫”，(5)可疑的代碼重定向，(6)可疑的代碼節名稱，(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，。網絡延遲測評顯示亞太地區響應時間超歐盟2倍。軟件 登記測試產品報告

性能基準測試GPU利用率未達理論最大值67%。軟件測評第三方

    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。軟件測評第三方