后端融合模型的10折交叉驗證的準(zhǔn)確率是％，對數(shù)損失是，混淆矩陣如圖13所示，規(guī)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(gòu)如圖16所示，中間融合方式用深度神經(jīng)網(wǎng)絡(luò)從三種模態(tài)的特征分別抽取高等特征表示，然后合并學(xué)習(xí)得到的特征表示，再作為下一個深度神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練模型，隱藏層的***函數(shù)為relu，輸出層的***函數(shù)是sigmoid，中間使用dropout層進(jìn)行正則化，防止過擬合，優(yōu)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(jīng)網(wǎng)絡(luò)包含3個隱含層，其***個隱含層的神經(jīng)元個數(shù)是128，第二個隱含層的神經(jīng)元個數(shù)是64，第三個隱含層的神經(jīng)元個數(shù)是32，且3個隱含層中間間隔設(shè)置有dropout層。用于抽取格式信息特征視圖的深度神經(jīng)網(wǎng)絡(luò)包含2個隱含層，其***個隱含層的神經(jīng)元個數(shù)是64，其第二個隱含層的神經(jīng)元個數(shù)是32，且2個隱含層中間設(shè)置有dropout層。用于抽取字節(jié)碼n-grams特征視圖的深度神經(jīng)網(wǎng)絡(luò)包含4個隱含層，其***個隱含層的神經(jīng)元個數(shù)是512，第二個隱含層的神經(jīng)元個數(shù)是384，第三個隱含層的神經(jīng)元個數(shù)是256，第四個隱含層的神經(jīng)元個數(shù)是125。多平臺兼容性測試顯示Linux環(huán)境下存在驅(qū)動適配問題。信息系統(tǒng)安全檢測

    對一些質(zhì)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(biāo)準(zhǔn)。[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(jīng)嚴(yán)格按照程序設(shè)計要求和標(biāo)準(zhǔn)組裝起來的模塊同時進(jìn)行測試，明確該程序結(jié)構(gòu)組裝的正確性，發(fā)現(xiàn)和接口有關(guān)的問題，比如模塊接口的數(shù)據(jù)是否會在穿越接口時發(fā)生丟失；各個模塊之間因某種疏忽而產(chǎn)生不利的影響；將模塊各個子功能組合起來后產(chǎn)生的功能要求達(dá)不到預(yù)期的功能要求；一些在誤差范圍內(nèi)且可接受的誤差由于長時間的積累進(jìn)而到達(dá)了不能接受的程度；數(shù)據(jù)庫因單個模塊發(fā)生錯誤造成自身出現(xiàn)錯誤等等。同時因集成測試是界于單元測試和系統(tǒng)測試之間的，所以，集成測試具有承上啟下的作用。因此有關(guān)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(jié)合的方法進(jìn)行測試，驗證這一階段設(shè)計的合理性以及需求功能的實(shí)現(xiàn)性。[2]軟件測試方法系統(tǒng)測試一般情況下，系統(tǒng)測試采用黑盒法來進(jìn)行測試的，以此來檢查該系統(tǒng)是否符合軟件需求。本階段的主要測試內(nèi)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(jī)構(gòu)排名數(shù)據(jù)安全與合規(guī)：艾策科技的最佳實(shí)踐。

    坐標(biāo)點(diǎn)(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(yōu)。另外，前端融合模型的auc值為。(5)后端融合后端融合的架構(gòu)如圖10所示，后端融合方式用三種模態(tài)的特征分別訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，然后進(jìn)行決策融合，隱藏層的***函數(shù)為relu，輸出層的***函數(shù)是sigmoid，中間使用dropout層進(jìn)行正則化，防止過擬合，優(yōu)化器(optimizer)采用的是adagrad，batch_size是40。本次實(shí)驗使用了80％的樣本訓(xùn)練，20％的樣本驗證，訓(xùn)練50個迭代以便于找到較優(yōu)的epoch值。隨著迭代數(shù)的增加，后端融合模型的準(zhǔn)確率變化曲線如圖11所示，模型的對數(shù)損失變化曲線如圖12所示。從圖11和圖12可以看出，當(dāng)epoch值從0增加到5過程中，模型的訓(xùn)練準(zhǔn)確率和驗證準(zhǔn)確率快速提高，模型的訓(xùn)練對數(shù)損失和驗證對數(shù)損失快速減少；當(dāng)epoch值從5到50的過程中，前端融合模型的訓(xùn)練準(zhǔn)確率和驗證準(zhǔn)確率小幅提高，訓(xùn)練對數(shù)損失和驗證對數(shù)損失緩慢下降；綜合分析圖11和圖12的準(zhǔn)確率和對數(shù)損失變化曲線，選取epoch的較優(yōu)值為40。確定模型的訓(xùn)練迭代數(shù)為40后，進(jìn)行了10折交叉驗證實(shí)驗。

    快速原型模型部分需求-原型-補(bǔ)充-運(yùn)行外包公司預(yù)先不能明確定義需求的軟件系統(tǒng)的開發(fā)，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(fā)風(fēng)險。不適合大型系統(tǒng)的開發(fā)，前提要有一個展示性的產(chǎn)品原型，在一定程度上的補(bǔ)充，限制開發(fā)人員的創(chuàng)新。螺旋模型每次功能都要**行風(fēng)險評估，需求設(shè)計-測試很大程度上是一種風(fēng)險驅(qū)動的方法體系，在每個階段循環(huán)前，都進(jìn)行風(fēng)險評估。需要有相當(dāng)豐富的風(fēng)險評估經(jīng)驗和專門知識，在風(fēng)險較大的項目開發(fā)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(shè)計-詳細(xì)設(shè)計-開發(fā)-單元測試-集成測試-系統(tǒng)測試-驗收測試***清楚標(biāo)識軟件開發(fā)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(fā)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(fā)過程。缺點(diǎn)程序已經(jīng)完成，錯誤在測試階段發(fā)現(xiàn)或沒有發(fā)現(xiàn)，不能及時修改而且需求經(jīng)常變化導(dǎo)致V步驟反復(fù)執(zhí)行，工作量很大。W模型開發(fā)一個V測試一個V用戶需求驗收測試設(shè)計需求分析系統(tǒng)測試設(shè)計概要設(shè)計集成測試設(shè)計詳細(xì)設(shè)計單元測試設(shè)計編碼單元測試集成集成測試運(yùn)行系統(tǒng)測試交付驗收測試***測試更早的介入，可以發(fā)現(xiàn)開發(fā)初期的缺陷。5G 與物聯(lián)網(wǎng)：深圳艾策的下一個技術(shù)前沿。

    **小化對數(shù)損失基本等價于**大化分類器的準(zhǔn)確度，對于完美的分類器，對數(shù)損失值為0。對數(shù)損失函數(shù)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(jié)果，x為輸入變量即測試樣本，l為損失函數(shù)，n為測試樣本(待檢測軟件的二進(jìn)制可執(zhí)行文件)數(shù)目，yij是一個二值指標(biāo)，表示與輸入的第i個測試樣本對應(yīng)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(shù)，本實(shí)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(guān)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(biāo)，auc的值通常介于，較大的auc值一般表示分類器的性能較優(yōu)。(3)特征提取提取dll和api信息特征視圖dll(dynamiclinklibrary)文件為動態(tài)鏈接庫文件，執(zhí)行某一個程序時，相應(yīng)的dll文件就會被調(diào)用。一個應(yīng)用程序可使用多個dll文件，一個dll文件也可能被不同的應(yīng)用程序使用。api(applicationprogramminginterface)函數(shù)是windows提供給用戶作為應(yīng)用程序開發(fā)的接口。第三方測評顯示軟件運(yùn)行穩(wěn)定性達(dá)99.8%，未發(fā)現(xiàn)重大系統(tǒng)崩潰隱患。湖南省軟件測評機(jī)構(gòu)

兼容性測試涵蓋35款設(shè)備，通過率91.4%。信息系統(tǒng)安全檢測

    將訓(xùn)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(jié)碼n-grams特征視圖輸入深度神經(jīng)網(wǎng)絡(luò)，訓(xùn)練多模態(tài)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(xùn)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(jié)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(jīng)網(wǎng)絡(luò)模型的輸入，訓(xùn)練多模態(tài)深度集成模型；(2)方案二：首先利用訓(xùn)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(jié)碼n-grams特征視圖分別訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，合并訓(xùn)練的三個深度神經(jīng)網(wǎng)絡(luò)模型的決策輸出，并將其作為感知機(jī)的輸入，訓(xùn)練得到**終的多模態(tài)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(jīng)網(wǎng)絡(luò)分別學(xué)習(xí)訓(xùn)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(jié)碼n-grams特征視圖的高等特征表示，并合并學(xué)習(xí)得到的訓(xùn)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(jié)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(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練得到多模態(tài)深度神經(jīng)網(wǎng)絡(luò)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(tǒng)安全檢測