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。功能完整性測試發現3項宣傳功能未完全實現。重慶軟件檢測報告

    特征之間存在部分重疊，但特征類型間存在著互補，融合這些不同抽象層次的特征可更好的識別軟件的真正性質。且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，但惡意軟件很難同時偽造多個抽象層次的特征逃避檢測。基于該觀點，本發明實施例提出一種基于多模態深度學習的惡意軟件檢測方法，以實現對惡意軟件的有效檢測，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)，提出了通過前端融合、后端融合和中間融合這三種融合方式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，具體步驟如下：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；統計當前軟件樣本的導入節中引用的dll和api，提取得到當前軟件樣本的二進制可執行文件的dll和api信息的特征表示。對當前軟件樣本的二進制可執行文件進行格式結構解析，并按照格式規范提取**該軟件樣本的格式結構信息，得到該軟件樣本的二進制可執行文件的pe格式結構信息的特征表示。軟件測試第三方服務代碼審計發現2處潛在內存泄漏風險，建議版本迭代修復。

    并將測試樣本的dll和api信息特征視圖、格式信息特征視圖以及字節碼n-grams特征視圖輸入步驟s2訓練得到的多模態深度集成模型中，對測試樣本進行檢測并得出檢測結果。實驗結果與分析(1)樣本數據集選取實驗評估使用了不同時期的惡意軟件和良性軟件樣本，包含了7871個良性軟件樣本和8269個惡意軟件樣本，其中4103個惡意軟件樣本是2011年以前發現的，4166個惡意軟件樣本是近年來新發現的；3918個良性軟件樣本是從全新安裝的windowsxpsp3系統中收集的，3953個良性軟件樣本是從全新安裝的32位windows7系統中收集的。所有的惡意軟件樣本都是從vxheavens網站中收集的，所有的樣本格式都是windowspe格式的，樣本數據集構成如表1所示。表1樣本數據集類別惡意軟件樣本良性軟件樣本早期樣本41033918近期樣本41663953合計82697871(2)評價指標及方法分類性能主要用兩個指標來評估：準確率和對數損失。準確率測量所有預測中正確預測的樣本占總樣本的比例，*憑準確率通常不足以評估預測的魯棒性，因此還需要使用對數損失。對數損失(logarithmicloss)，也稱交叉熵損失(cross-entropyloss)，是在概率估計上定義的，用于測量預測類別與真實類別之間的差距大小。

    生成取值表。3把取值表與選擇的正交表進行映射控件數Ln(取值數)3個控件5個取值5的3次冪混合正交表當控件的取值數目水平不一致時候，使用allp**rs工具生成1等價類劃分法劃分值2邊界值分析法邊界值3錯誤推斷法經驗4因果圖分析法關系5判定表法條件和結果6流程圖法流程路徑梳理7場景法主要功能和業務的事件8正交表先關注主要功能和業務流程，業務邏輯是否正確實現，考慮場景法需要輸入數據的地方，考慮等價類劃分法+邊界值分析法，發現程序錯誤的能力**強存在輸入條件的組合情況，考慮因果圖判定表法多種參數配置組合情況，正交表排列法采用錯誤推斷法再追加測試用例。需求分析場景法分析主要功能輸入的等價類邊界值輸入的各種組合因果圖判定表多種參數配置正交表錯誤推斷法經驗軟件缺陷軟件產品中存在的問題，用戶所需要的功能沒有完全實現。人工智能在金融領域的應用：艾策科技的實踐案例。

    之所以被稱為黑盒測試是因為可以將被測程序看成是一個無法打開的黑盒，而工作人員在不軟件測試方法考慮任何程序內部結構和特性的條件下，根據需求規格說明書設計測試實例，并檢查程序的功能是否能夠按照規范說明準確無誤的運行。其主要是對軟件界面和軟件功能進行測試。對于黑盒測試行為必須加以量化才能夠有效的保證軟件的質量。[5]（2）白盒測試。其與黑盒測試不同，它主要是借助程序內部的邏輯和相關信息，通過檢測內部動作是否按照設計規格說明書的設定進行，檢查每一條通路能否正常工作。白盒測試是從程序結構方面出發對測試用例進行設計。其主要用于檢查各個邏輯結構是否合理，對應的模塊**路徑是否正常以及內部結構是否有效。常用的白盒測試法有控制流分析、數據流分析、路徑分析、程序變異等，其中邏輯覆蓋法是主要的測試方法。[5]（3）灰盒測試。灰盒測試則介于黑盒測試和白盒測試之間。灰盒測試除了重視輸出相對于出入的正確性，也看重其內部表現。但是它不可能像白盒測試那樣詳細和完整。它只是簡單的靠一些象征性的現象或標志來判斷其內部的運行情況，因此在內部結果出現錯誤，但輸出結果正確的情況下可以采取灰盒測試方法。因為在此情況下灰盒比白盒**。數據驅動決策：艾策科技如何提升企業競爭力。廈門軟件評測中心

用戶隱私測評確認數據采集范圍超出聲明條款3項。重慶軟件檢測報告

    在數字化轉型加速的，軟件檢測公司已成為保障各行業信息化系統穩定運行的力量。深圳艾策信息科技有限公司作為國內軟件檢測公司領域的企業，始終以技術創新為驅動力，深耕電力能源、科研教育、政企單位、研發科技及醫療機構等垂直場景，為客戶提供從需求分析到運維優化的全鏈條質量保障服務。以專業能力筑牢行業壁壘作為專注于軟件檢測的技術型企業，艾策科技通過AI驅動的智能檢測平臺，實現了測試流程的自動化、化與智能化。其產品——軟件檢測系統，整合漏洞掃描、壓力測試、合規性驗證等20余項功能模塊，可快速定位代碼缺陷、性能瓶頸及安全風險，幫助客戶將軟件故障率降低60%以上。針對電力能源行業，艾策科技開發了電網調度系統專項檢測方案，成功保障某省級電力公司百萬級用戶數據安全；在科研教育領域，其實驗室管理軟件檢測服務覆蓋全國50余所高校，助力科研數據存儲與分析的合規性升級。此外，公司為政企單位政務云平臺、研發科技企業創新產品、醫療機構智慧醫療系統提供的定制化檢測服務，均獲得客戶高度認可。差異化服務塑造行業作為軟件檢測公司，艾策科技突破傳統檢測模式，推出“檢測+培訓+咨詢”一體化服務體系。通過定期發布行業安全白皮書、舉辦技術研討會。重慶軟件檢測報告