第三方CMA軟件測評報告

    每一種信息的來源或者形式，都可以稱為一種模態。例如，人有觸覺，聽覺，視覺，嗅覺。多模態機器學習旨在通過機器學習的方法實現處理和理解多源模態信息的能力。多模態學習從1970年代起步，經歷了幾個發展階段，在2010年后***步入深度學習(deeplearning)階段。在某種意義上，深度學習可以被看作是允許我們“混合和匹配”不同模型以創建復雜的深度多模態模型。目前，多模態數據融合主要有三種融合方式：前端融合(early-fusion)即數據水平融合(data-levelfusion)、后端融合(late-fusion)即決策水平融合(decision-levelfusion)以及中間融合(intermediate-fusion)。前端融合將多個**的數據集融合成一個單一的特征向量空間，然后將其用作機器學習算法的輸入，訓練機器學習模型，如圖1所示。由于多模態數據的前端融合往往無法充分利用多個模態數據間的互補性，且前端融合的原始數據通常包含大量的冗余信息。因此，多模態前端融合方法常常與特征提取方法相結合以剔除冗余信息，基于領域經驗從每個模態中提取更高等別的特征表示，或者應用深度學習算法直接學習特征表示，然后在特性級別上進行融合。后端融合則是將不同模態數據分別訓練好的分類器輸出決策進行融合，如圖2所示。云計算與 AI 融合：深圳艾策的創新解決方案。第三方CMA軟件測評報告

    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。軟件系統測評報告價格代碼質量評估顯示注釋覆蓋率不足30%需加強。

    以備實際測試嚴重偏離計劃時使用。在TMM的定義級，測試過程中引入計劃能力，在TMM的集成級，測試過程引入控制和監視活動。兩者均為測試過程提供了可見性，為測試過程持續進行提供保證。第四級管理和測量級在管理和測量級，測試活動除測試被測程序外，還包括軟件生命周期中各個階段的評審，審查和追查，使測試活動涵蓋了軟件驗證和軟件確認活動。根據管理和測量級的要求，軟件工作產品以及與測試相關的工作產品，如測試計劃，測試設計和測試步驟都要經過評審。因為測試是一個可以量化并度量的過程。為了測量測試過程，測試人員應建立測試數據庫。收集和記錄各軟件工程項目中使用的測試用例，記錄缺陷并按缺陷的嚴重程度劃分等級。此外，所建立的測試規程應能夠支持軟件組終對測試過程的控制和測量。管理和測量級有3個要實現的成熟度目標:建立**范圍內的評審程序，建立測試過程的測量程序和軟件質量評價。(I)建立**范圍內的評審程序軟件**應在軟件生命周期的各階段實施評審，以便盡早有效地識別，分類和消除軟件中的缺陷。建立評審程序有4個子目標:1)管理層要制訂評審政策支持評審過程。2)測試組和軟件質量保證組要確定并文檔化整個軟件生命周期中的評審目標，評審計劃。

    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。第三方測評顯示軟件運行穩定性達99.8%，未發現重大系統崩潰隱患。

    沒有滿足用戶的需求1未達到需求規格說明書表明的功能2出現了需求規格說明書指明不會出現的錯誤3軟件功能超出了需求規格說明書指明的范圍4軟件質量不夠高維護性移植性效率性可靠性易用性功能性健壯性等5軟件未達到軟件需求規格說明書未指出但是應該達到的目標計算器沒電了下次還得能正常使用6測試或用戶覺得不好軟件缺陷的表現形式1功能沒有完全實現2產品的實際結果和所期望的結果不一致3沒有達到需求規格說明書所規定的的性能指標等4運行出錯斷電運行終端系統崩潰5界面排版重點不突出，格式不統一6用戶不能接受的其他問題軟件缺陷產生的原因需求錯誤需求記錄錯誤設計說明錯誤代碼錯誤兼容性錯誤時間不充足缺陷的信息缺陷id缺陷標題缺陷嚴重程度缺陷的優先級缺陷的所屬模塊缺陷的詳細描述缺陷提交時間缺陷的嚴重程度劃分1blocker系統癱瘓異常退出計算錯誤大部分功能不能使用死機2major功能點不符合用戶需求數據丟失3normal**功能特定調點斷斷續續4Trivial細小的錯誤優先級劃分緊急高中低。性能基準測試GPU利用率未達理論最大值67%。golang代碼審計

壓力測試表明系統在5000并發用戶時響應延遲激增300%。第三方CMA軟件測評報告

    先將訓練樣本的dll和api信息特征視圖、格式信息特征視圖以及字節碼n-grams特征視圖分別輸入至一個深度神經網絡中抽取高等特征表示，然后合并抽取的高等特征表示并將其作為下一個深度神經網絡的輸入進行模型訓練，得到多模態深度集成模型。進一步的，所述多模態深度集成模型的隱藏層的***函數采用relu，輸出層的***函數采用sigmoid，中間使用dropout層進行正則化，優化器采用adagrad。進一步的，所述訓練得到的多模態深度集成模型中，用于抽取dll和api信息特征視圖的深度神經網絡包含3個隱含層，且3個隱含層中間間隔設置有dropout層；用于抽取格式信息特征視圖的深度神經網絡包含2個隱含層，且2個隱含層中間設置有dropout層；用于抽取字節碼n-grams特征視圖的深度神經網絡包含4個隱含層，且4個隱含層中間間隔設置有dropout層；用于輸入合并抽取的高等特征表示的深度神經網絡包含2個隱含層，且2個隱含層中間設置有dropout層；所述dropout層的dropout率均等于。本發明實施例的有益效果是，提出了一種基于多模態深度學習的惡意軟件檢測方法，應用了多模態深度學習方法來融合dll和api、格式結構信息、字節碼n-grams特征。第三方CMA軟件測評報告