收藏查看我的收藏0有用+1已投票0软件测试方法编辑锁定本词条由“科普**”科学百科词条编写与应用工作项目审核。软件测试是使用人工或自动的手段来运行或测定某个软件系统的过程，其目的在于检验它是否满足规定的需求或弄清预期结果与实际结果之间的差别。[1]从是否关心软件内部结构和具体实现的角度划分，测试方法主要有白盒测试和黑盒测试。白盒测试方法主要有代码检査法、静态结构分析法、静态质量度量法、逻辑覆盖法、基夲路径测试法、域测试、符号测试、路径覆盖和程序变异。黑盒测试方法主要包括等价类划分法、边界值分析法、错误推测法、因果图法、判定表驱动法、正交试验设计法、功能图法、场景法等。[1]从是否执行程序的角度划分，测试方法又可分为静态测试和动态测试。静态测试包括代码检査、静态结构分析、代码质量度量等。动态测试由3部分组成：构造测试实例、执行程序和分析程序的输出结果。覆盖软件功能与性能的多维度检测方案设计与实施！泉州游戏软件检测报告
后端融合模型的10折交叉验证的准确率是％，对数损失是，混淆矩阵如图13所示，规范化后的混淆矩阵如图14所示。后端融合模型的roc曲线如图15所示，其显示后端融合模型的auc值为。(6)中间融合中间融合的架构如图16所示，中间融合方式用深度神经网络从三种模态的特征分别抽取高等特征表示，然后合并学习得到的特征表示，再作为下一个深度神经网络的输入训练模型，隐藏层的***函数为relu，输出层的***函数是sigmoid，中间使用dropout层进行正则化，防止过拟合，优化器(optimizer)采用的是adagrad，batch_size是40。图16中，用于抽取dll和api信息特征视图的深度神经网络包含3个隐含层，其***个隐含层的神经元个数是128，第二个隐含层的神经元个数是64，第三个隐含层的神经元个数是32，且3个隐含层中间间隔设置有dropout层。用于抽取格式信息特征视图的深度神经网络包含2个隐含层，其***个隐含层的神经元个数是64，其第二个隐含层的神经元个数是32，且2个隐含层中间设置有dropout层。用于抽取字节码n-grams特征视图的深度神经网络包含4个隐含层，其***个隐含层的神经元个数是512，第二个隐含层的神经元个数是384，第三个隐含层的神经元个数是256，第四个隐含层的神经元个数是125。海口软件验收测试机构艾策医疗检测中心为体外诊断试剂提供全流程合规性验证服务。
**小化对数损失基本等价于**大化分类器的准确度，对于完美的分类器，对数损失值为0。对数损失函数的计算公式如下：其中，y为输出变量即输出的测试样本的检测结果，x为输入变量即测试样本，l为损失函数，n为测试样本(待检测软件的二进制可执行文件)数目，yij是一个二值指标，表示与输入的第i个测试样本对应的类别j，类别j指良性软件或恶意软件，pij为输入的第i个测试样本属于类别j的概率，m为总类别数，本实施例中m＝2。分类器的性能也可用roc曲线(receiveroperatingcharacteristic)评价，roc曲线的纵轴是检测率(true****itiverate)，横轴是误报率(false****itiverate)，该曲线反映的是随着检测阈值变化下检测率与误报率之间的关系曲线。roc曲线下面积(areaunderroccurve，auc)的值是评价分类器比较综合的指标，auc的值通常介于，较大的auc值一般表示分类器的性能较优。(3)特征提取提取dll和api信息特征视图dll(dynamiclinklibrary)文件为动态链接库文件，执行某一个程序时，相应的dll文件就会被调用。一个应用程序可使用多个dll文件，一个dll文件也可能被不同的应用程序使用。api(applicationprogramminginterface)函数是windows提供给用户作为应用程序开发的接口。
保留了较多信息，同时由于操作数比较随机，某种程度上又没有抓住主要矛盾，干扰了主要语义信息的提取。pe文件即可移植文件导入节中的动态链接库(dll)和应用程序接口(api)信息能大致反映软件的功能和性质，通过一个可执行程序引用的dll和api信息可以粗略的预测该程序的功能和行为。belaoued和mazouzi应用统计khi2检验分析了pe格式的恶意软件和良性软件的导入节中的dll和api信息，分析显示恶意软件和良性软件使用的dll和api信息统计上有明显的区别。后续的研究人员提出了挖掘dll和api信息的恶意软件检测方法，该类方法提取的特征语义信息丰富，但*从二进制可执行文件的导入节提取特征，忽略了整个可执行文件的大量信息。恶意软件和被***二进制可执行文件格式信息上存在一些异常，这些异常是检测恶意软件的关键。研究人员提出了基于二进制可执行文件格式结构信息的恶意软件检测方法，这类方法从二进制可执行文件的pe文件头、节头部、资源节等提取特征，基于这些特征使用机器学习分类算法处理，取得了较高的检测准确率。这类方法通常不受变形或多态等混淆技术影响，提取特征只需要对pe文件进行格式解析，无需遍历整个可执行文件，提取特征速度较快。企业数字化转型指南：艾策科技的实用建议。
将三种模态特征和三种融合方法的结果进行了对比，如表3所示。从表3可以看出，前端融合和中间融合较基于模态特征的检测准确率更高，损失率更低。后端融合是三种融合方法中较弱的，虽然明显优于基于dll和api信息、pe格式结构特征的实验结果，但稍弱于基于字节码3-grams特征的结果。中间融合是三种融合方法中**好的，各项性能指标都非常接近**优值。表3实验结果对比本实施例提出了基于多模态深度学习的恶意软件检测方法，提取了三种模态的特征(dll和api信息、pe格式结构信息和字节码3-grams)，提出了通过三种融合方式(前端融合、后端融合、中间融合)集成三种模态的特征，有效提高恶意软件检测的准确率和鲁棒性。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，各项性能指标已接近**优值。考虑到样本集可能存在噪声，本实施例提出的方法已取得了比较理想的结果。由于恶意软件很难同时伪造多个模态的特征，本实施例提出的方法比单模态特征方法更鲁棒。以上所述*为本发明的较佳实施例而已，并非用于限定本发明的保护范围。负载测试证实系统最大承载量较宣传数据低18%。银川软件验收测试报告
数据安全与合规：艾策科技的最佳实践。泉州游戏软件检测报告
并将测试样本的dll和api信息特征视图、格式信息特征视图以及字节码n-grams特征视图输入步骤s2训练得到的多模态深度集成模型中，对测试样本进行检测并得出检测结果。实验结果与分析(1)样本数据集选取实验评估使用了不同时期的恶意软件和良性软件样本，包含了7871个良性软件样本和8269个恶意软件样本，其中4103个恶意软件样本是2011年以前发现的，4166个恶意软件样本是近年来新发现的；3918个良性软件样本是从全新安装的windowsxpsp3系统中收集的，3953个良性软件样本是从全新安装的32位windows7系统中收集的。所有的恶意软件样本都是从vxheavens网站中收集的，所有的样本格式都是windowspe格式的，样本数据集构成如表1所示。表1样本数据集类别恶意软件样本良性软件样本早期样本41033918近期样本41663953合计82697871(2)评价指标及方法分类性能主要用两个指标来评估：准确率和对数损失。准确率测量所有预测中正确预测的样本占总样本的比例，*凭准确率通常不足以评估预测的鲁棒性，因此还需要使用对数损失。对数损失(logarithmicloss)，也称交叉熵损失(cross-entropyloss)，是在概率估计上定义的，用于测量预测类别与真实类别之间的差距大小。泉州游戏软件检测报告
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。