比黑盒适用性广的优势就凸显出来了。[5]软件测试方法手动测试和自动化测试自动化测试，顾名思义就是软件测试的自动化，即在预先设定的条件下运行被测程序，并分析运行结果。总的来说，这种测试方法就是将以人驱动的测试行为转化为机器执行的一种过程。对于手动测试，其在设计了测试用例之后，需要测试人员根据设计的测试用例一步一步来执行测试得到实际结果，并将其与期望结果进行比对。[5]软件测试方法不同阶段测试编辑软件测试方法单元测试单元测试主要是对该软件的模块进行测试，通过测试以发现该模块的实际功能出现不符合的情况和编码错误。由于该模块的规模不大，功能单一，结构较简单，且测试人员可通过阅读源程序清楚知道其逻辑结构，首先应通过静态测试方法，比如静态分析、代码审查等，对该模块的源程序进行分析，按照模块的程序设计的控制流程图，以满足软件覆盖率要求的逻辑测试要求。另外，也可采用黑盒测试方法提出一组基本的测试用例，再用白盒测试方法进行验证。若用黑盒测试方法所产生的测试用例满足不了软件的覆盖要求，可采用白盒法增补出新的测试用例，以满足所需的覆盖标准。其所需的覆盖标准应视模块的实际具体情况而定。性能基准测试GPU利用率未达理论最大值67%。太原软件评测单位
生成取值表。3把取值表与选择的正交表进行映射控件数Ln(取值数)3个控件5个取值5的3次幂混合正交表当控件的取值数目水平不一致时候，使用allp**rs工具生成1等价类划分法划分值2边界值分析法边界值3错误推断法经验4因果图分析法关系5判定表法条件和结果6流程图法流程路径梳理7场景法主要功能和业务的事件8正交表先关注主要功能和业务流程，业务逻辑是否正确实现，考虑场景法需要输入数据的地方，考虑等价类划分法+边界值分析法，发现程序错误的能力**强存在输入条件的组合情况，考虑因果图判定表法多种参数配置组合情况，正交表排列法采用错误推断法再追加测试用例。需求分析场景法分析主要功能输入的等价类边界值输入的各种组合因果图判定表多种参数配置正交表错误推断法经验软件缺陷软件产品中存在的问题，用户所需要的功能没有完全实现。广东第三方软件测评单位艾策科技：如何用数据分析重塑企业决策！
3)pe可选头部有效尺寸的值不正确，(4)节之间的“间缝”，(5)可疑的代码重定向，(6)可疑的代码节名称，(7)可疑的头部***，(8)来自，(9)导入地址表被修改，(10)多个pe头部，(11)可疑的重定位信息，(12)把节装入到vmm的地址空间，(13)可选头部的sizeofcode域取值不正确，(14)含有可疑标志。存在明显的统计差异的格式结构特征包括：(1)无证书表；(2)调试数据明显小于正常文件，(3).text、.rsrc、.reloc和.rdata的characteristics属性异常，(4)资源节的资源个数少于正常文件。生成软件样本的字节码n-grams特征视图，是统计了每个短序列特征的词频(termfrequency，tf)，即该短序列特征在软件样本中出现的频率。先从当前软件样本的所有短序列特征中选取词频tf**高的多个短序列特征；然后计算选取的每个短序列特征的逆向文件频率idf与词频tf的乘积，并将其作为选取的每个短序列特征的特征值，，表示该短序列特征表示其所在软件样本的能力越强；**后在选取的词频tf**高的多个短序列特征中选取，生成字节码n-grams特征视图。：＝tf×idf；tf(termfrequency)是词频，定义如下：其中，ni,j是短序列特征i在软件样本j中出现的次数，∑knk,j指软件样本j中所有短序列特征出现的次数之和。
k为短序列特征总数，1≤i≤k。可执行文件长短大小不一，为了防止该特征统计有偏，使用∑knk,j进行归一化处理。逆向文件频率(inversedocumentfrequency，idf)是一个短序列特征普遍重要性的度量。某一短序列特征的idf，可以由总样本实施例件数目除以包含该短序列特征之样本实施例件的数目，再将得到的商取对数得到：其中，|d|指软件样本j的总数，|{j:i∈j}|指包含短序列特征i的软件样本j的数目。idf的主要思想是：如果包含短序列特征i的软件练样本越少，也就是|{j:i∈j}|越小，idf越大，则说明短序列特征i具有很好的类别区分能力。：如果某一特征在某样本中以较高的频率出现，而包含该特征的样本数目较小，可以产生出高权重的，该特征的。因此，，保留重要的特征。此处选取可能区分恶意软件和良性软件的短序列特征，是因为字节码n-grams提取的特征很多，很多都是无效特征，或者效果非常一般的特征，保持这些特征会影响检测方法的性能和效率，所以要选出有效的特征即可能区分恶意软件和良性软件的短序列特征。步骤s2、将软件样本中的类别已知的软件样本作为训练样本，然后分别采用前端融合方法、后端融合方法和中间融合方法设计三种不同方案的多模态数据融合方法。可靠性评估连续运行72小时出现2次非致命错误。
尝试了前端融合、后端融合和中间融合三种融合方法对进行有效融合，有效提高了恶意软件的准确率，具备较好的泛化性能和鲁棒性。实验结果显示，相对**且互补的特征视图和不同深度学习融合机制的使用明显提高了检测方法的检测能力和泛化性能，其中较优的中间融合方法取得了％的准确率，对数损失为，auc值为。有效解决了现有采用二进制可执行文件的单一特征类型进行恶意软件检测的检测方法检测结果准确率不高、可靠性低、泛化性和鲁棒性不佳的问题。另外，恶意软件很难同时伪造良性软件的多个抽象层次的特征以逃避检测，本发明实施例同时融合软件的二进制可执行文件的多个抽象层次的特征，可准确检测出伪造良性软件特征的恶意软件，解决了现有采用二进制可执行文件的单一特征类型进行恶意软件检测的检测方法难以检测出伪造良性软件特征的恶意软件的问题。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图**是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是前端融合方法的流程图。如何选择适合企业的 IT 解决方案？沈阳软件检测中心
2025 年 IT 趋势展望：深圳艾策的五大技术突破。太原软件评测单位
将训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图输入深度神经网络，训练多模态深度集成模型；(1)方案一：采用前端融合(early-fusion)方法，首先合并训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图的特征，融合成一个单一的特征向量空间，然后将其作为深度神经网络模型的输入，训练多模态深度集成模型；(2)方案二：首先利用训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图分别训练深度神经网络模型，合并训练的三个深度神经网络模型的决策输出，并将其作为感知机的输入，训练得到**终的多模态深度集成模型；(3)方案三：采用中间融合(intermediate-fusion)方法，首先使用三个深度神经网络分别学习训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图的高等特征表示，并合并学习得到的训练样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图的高等特征表示融合成一个单一的特征向量空间，然后将其作为下一个深度神经网络的输入，训练得到多模态深度神经网络模型。步骤s3、将软件样本中的类别未知的软件样本作为测试样本。太原软件评测单位
深圳艾策信息科技有限公司免责声明： 本页面所展现的信息及其他相关推荐信息，均来源于其对应的商铺，信息的真实性、准确性和合法性由该信息的来源商铺所属企业完全负责。本站对此不承担任何保证责任。如涉及作品内容、 版权和其他问题，请及时与本网联系，我们将核实后进行删除，本网站对此声明具有最终解释权。
友情提醒： 建议您在购买相关产品前务必确认资质及产品质量，过低的价格有可能是虚假信息，请谨慎对待，谨防上当受骗。