湖南第三方軟件測評單位

    12)把節裝入到vmm的地址空間，(13)可選頭部的sizeofcode域取值不正確，(14)含有可疑標志；所述存在明顯的統計差異的格式結構特征包括：(1)無證書表；(2)調試數據明顯小于正常文件，(3).text、.rsrc、.reloc和.rdata的characteristics屬性異常，(4)資源節的資源個數少于正常文件。進一步的，所述生成軟件樣本的字節碼n-grams特征視圖的具體實現過程如下：先從當前軟件樣本的所有短序列特征中選取詞頻tf**高的多個短序列特征；然后計算選取的每個短序列特征的逆向文件頻率idf與詞頻tf的乘積，并將其作為選取的每個短序列特征的特征值，，表示該短序列特征表示其所在軟件樣本的能力越強；**后在選取的詞頻tf**高的多個短序列特征中選取，生成字節碼n-grams特征視圖；：＝tf×idf；其中，ni,j是短序列特征i在軟件樣本j中出現的次數，∑knk,j指軟件樣本j中所有短序列特征出現的次數之和，k為短序列特征總數，1≤i≤k；其中，|d|指軟件樣本j的總數，|{j:i∈j}|指包含短序列特征i的軟件樣本j的數目。進一步的，所述步驟s2采用中間融合方法訓練多模態深度集成模型。艾策檢測為新能源汽車電池提供安全性能深度解析。湖南第三方軟件測評單位

    將三種模態特征和三種融合方法的結果進行了對比，如表3所示。從表3可以看出，前端融合和中間融合較基于模態特征的檢測準確率更高，損失率更低。后端融合是三種融合方法中較弱的，雖然明顯優于基于dll和api信息、pe格式結構特征的實驗結果，但稍弱于基于字節碼3-grams特征的結果。中間融合是三種融合方法中**好的，各項性能指標都非常接近**優值。表3實驗結果對比本實施例提出了基于多模態深度學習的惡意軟件檢測方法，提取了三種模態的特征(dll和api信息、pe格式結構信息和字節碼3-grams)，提出了通過三種融合方式(前端融合、后端融合、中間融合)集成三種模態的特征，有效提高惡意軟件檢測的準確率和魯棒性。實驗結果顯示，相對**且互補的特征視圖和不同深度學習融合機制的使用明顯提高了檢測方法的檢測能力和泛化性能，其中較優的中間融合方法取得了％的準確率，對數損失為，auc值為，各項性能指標已接近**優值。考慮到樣本集可能存在噪聲，本實施例提出的方法已取得了比較理想的結果。由于惡意軟件很難同時偽造多個模態的特征，本實施例提出的方法比單模態特征方法更魯棒。以上所述*為本發明的較佳實施例而已，并非用于限定本發明的保護范圍。第三方軟件評測中心代碼審計發現2處潛在內存泄漏風險，建議版本迭代修復。

    等價類劃分法將不能窮舉的測試過程進行合理分類，從而保證設計出來的測試用例具有完整性和**性。有數據輸入的地方，可以使用等價類劃分法。從大量數據中挑選少量**數據進行測試有效等價類：符合需求規格說明書規定的數據用來測試功能是否正確實現無效等價類：不合理的輸入數據**—用來測試程序是否有強大的異常處理能力（健壯性）使用**少的測試數據，達到**好的測試質量邊界值分析法對輸入或輸出的邊界值進行測試的一種黑盒測試方法。是作為對等價類劃分法的補充，這種情況下，其測試用例來自等價類的邊界。邊界點1、邊界是指相對于輸入等價類和輸出等價類而言，稍高于、稍低于其邊界值的一些特定情況。2、邊界點分為上點、內點和離點。如果是范圍[1,100]需要選擇0,1,2,50,99,100,101如果是個數**多20個[0,20]需要測0,10,20，-1,21因果圖分析法用畫圖的方式表達輸入條件和輸出結果之間的關系。1恒等2與3或4非5互斥1個或者不選6***必須是1個7包含可以多選不能不選8要求如果a=1，則要求b必須是1，反之如果a=0時，b的值無所謂9**關系當a=1時，要求b必須為0；而當a=0時。

    這種傳統方式幾乎不能檢測未知的新的惡意軟件種類，能檢測的已知惡意軟件經過簡單加殼或混淆后又不能檢測，且使用多態變形技術的惡意軟件在傳播過程中不斷隨機的改變著二進制文件內容，沒有固定的特征，使用該方法也不能檢測。新出現的惡意軟件，特別是zero-day惡意軟件，在釋放到互聯網前，都使用主流的反**軟件測試，確保主流的反**軟件無法識別這些惡意軟件，使得當前的反**軟件通常對它們無能為力，只有在惡意軟件大規模傳染后，捕獲到這些惡意軟件樣本，提取簽名和更新簽名庫，才能檢測這些惡意軟件。基于數據挖掘和機器學習的惡意軟件檢測方法將可執行文件表示成不同抽象層次的特征，使用這些特征來訓練分類模型，可實現惡意軟件的智能檢測，基于這些特征的檢測方法也取得了較高的準確率。受文本分類方法的啟發，研究人員提出了基于二進制可執行文件字節碼n-grams的惡意軟件檢測方法，這類方法提取的特征覆蓋了整個二進制可執行文件，包括pe文件頭、代碼節、數據節、導入節、資源節等信息，但字節碼n-grams特征通常沒有明顯的語義信息，大量具有語義的信息丟失，很多語義信息提取不完整。此外，基于字節碼n-grams的檢測方法提取代碼節信息考慮了機器指令的操作數。專業機構認證該程序內存管理效率優于行業平均水平23%。

    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。艾策檢測團隊采用多模態傳感器融合技術，構建智能工廠設備狀態健康監測體系。山西軟件測評單位

基于 AI 視覺識別的自動化檢測系統，助力艾策實現生產線上的零缺陷品控目標！湖南第三方軟件測評單位

    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，(12)把節裝入到vmm的地址空間，(13)可選頭部的sizeofcode域取值不正確，(14)含有可疑標志。存在明顯的統計差異的格式結構特征包括：(1)無證書表；(2)調試數據明顯小于正常文件，(3).text、.rsrc、.reloc和.rdata的characteristics屬性異常，(4)資源節的資源個數少于正常文件。生成軟件樣本的字節碼n-grams特征視圖，是統計了每個短序列特征的詞頻(termfrequency，tf)，即該短序列特征在軟件樣本中出現的頻率。先從當前軟件樣本的所有短序列特征中選取詞頻tf**高的多個短序列特征；然后計算選取的每個短序列特征的逆向文件頻率idf與詞頻tf的乘積，并將其作為選取的每個短序列特征的特征值，，表示該短序列特征表示其所在軟件樣本的能力越強；**后在選取的詞頻tf**高的多個短序列特征中選取，生成字節碼n-grams特征視圖。：＝tf×idf；tf(termfrequency)是詞頻，定義如下：其中，ni,j是短序列特征i在軟件樣本j中出現的次數，∑knk,j指軟件樣本j中所有短序列特征出現的次數之和。湖南第三方軟件測評單位