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。其產品一一軟件檢測系統，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。艾策科技：如何用數據分析重塑企業決策！浙江cnas 軟件測評
k為短序列特征總數，1≤i≤k。可執行文件長短大小不一，為了防止該特征統計有偏，使用∑knk,j進行歸一化處理。逆向文件頻率(inversedocumentfrequency，idf)是一個短序列特征普遍重要性的度量。某一短序列特征的idf，可以由總樣本實施例件數目除以包含該短序列特征之樣本實施例件的數目，再將得到的商取對數得到：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。idf的主要思想是：如果包含短序列特征i的軟件練樣本越少，也就是|{j:i∈j}|越小，idf越大，則說明短序列特征i具有很好的類別區分能力。：如果某一特征在某樣本中以較高的頻率出現，而包含該特征的樣本數目較小，可以產生出高權重的，該特征的。因此，，保留重要的特征。此處選取可能區分惡意軟件和良性軟件的短序列特征，是因為字節碼n-grams提取的特征很多，很多都是無效特征，或者效果非常一般的特征，保持這些特征會影響檢測方法的性能和效率，所以要選出有效的特征即可能區分惡意軟件和良性軟件的短序列特征。步驟s2、將軟件樣本中的類別已知的軟件樣本作為訓練樣本，然后分別采用前端融合方法、后端融合方法和中間融合方法設計三種不同方案的多模態數據融合方法。江蘇軟件產品測試中心可靠性評估連續運行72小時出現2次非致命錯誤。
***級初始級TMM初始級軟件測試過程的特點是測試過程無序，有時甚至是混亂的，幾乎沒有妥善定義的。初始級中軟件的測試與調試常常被混為一談，軟件開發過程中缺乏測試資源，工具以及訓練有素的測試人員。初始級的軟件測試過程沒有定義成熟度目標。第二級定義級TMM的定義級中，測試己具備基本的測試技術和方法，軟件的測試與調試己經明確地被區分開。這時，測試被定義為軟件生命周期中的一個階段，它緊隨在編碼階段之后。但在定義級中，測試計劃往往在編碼之后才得以制訂，這顯然有背于軟件工程的要求。TMM的定義級中需實現3個成熟度目標:制訂測試與調試目標，啟動測試計劃過程，制度化基本的測試技術和方法。(I)制訂測試與調試目標軟件**必須消晰地區分軟件開發的測試過程與調試過程，識別各自的目標，任務和括動。正確區分這兩個過程是提高軟件**測試能力的基礎。與調試工作不同，測試工作是一種有計劃的活動，可以進行管理和控制。這種管理和控制活動需要制訂相應的策略和政策，以確定和協調這兩個過程。制訂測試與調試目標包含5個子成熟度目標:1)分別形成測試**和調試**，并有經費支持。2)規劃并記錄測試目標。3)規劃井記錄調試目標。4)將測試和調試目標形成文檔。
不*可以用于回歸測試，也可以為以后的測試提供參考。[4](8)錯誤不可避免原則。在測試時不能首先假設程序中沒有錯誤。[4]軟件測試方法分類編輯軟件測試方法的分類有很多種，以測試過程中程序執行狀態為依據可分為靜態測試（StaticTesting，ST）和動態測試（DynamicTesting，DT）;以具體實現算法細節和系統內部結構的相關情況為根據可分黑盒測試、白盒測試和灰盒測試三類;從程序執行的方式來分類，可分為人工測試（ManualTesting，MT）和自動化測試（AutomaticTesting，AT）。[5]軟件測試方法靜態測試和動態測試（1）靜態測試。靜態測試的含義是被測程序不運行，只依靠分析或檢查源程序的語句、結構、過程等來檢查程序是否有錯誤。即通過對軟件的需求規格說明書、設計說明書以及源程序做結構分析和流程圖分析，從而來找出錯誤。例如不匹配的參數，未定義的變量等。[5]（2）動態測試。動態測試與靜態測試相對應，其是通過運行被測試程序，對得到的運行結果與預期的結果進行比較分析，同時分析運行效率和健壯性能等。這種方法可簡單分為三個步驟:構造測試實例、執行程序以及分析結果。[5]軟件測試方法黑盒測試、白盒測試和灰盒測試（1）黑盒測試。第三方驗證實際啟動速度較廠商宣稱慢0.7秒。
在不知道多長的子序列能更好的表示可執行文件的情況下，只能以固定窗口大小在字節碼序列中滑動，產生大量的短序列，由機器學習方法選擇可能區分惡意軟件和良性軟件的短序列作為特征，產生短序列的方法叫n-grams。“080074ff13b2”的字節碼序列，如果以3-grams產生連續部分重疊的短序列，將得到“080074”、“0074ff”、“74ff13”、“ff13b2”四個短序列。每個短序列特征的權重表示有多種方法。**簡單的方法是如果該短序列在具體樣本中出現，就表示為1；如果沒有出現，就表示為0，也可以用。本實施例采用3-grams方法提取特征，3-grams產生的短序列非常龐大，將產生224＝(16,777,216)個特征，如此龐大的特征集在計算機內存中存儲和算法效率上都是問題。如果短序列特征的tf較小，對機器學習可能沒有意義，選取了tf**高的5000個短序列特征，計算每個短序列特征的，每個短序列特征的權重是判斷其所在軟件樣本是否為惡意軟件的依據，也是區分每個軟件樣本的依據。(4)前端融合前端融合的架構如圖4所示，前端融合方式將三種模態的特征合并，然后輸入深度神經網絡，隱藏層的***函數為relu，輸出層的***函數是sigmoid，中間使用dropout層進行正則化，防止過擬合，優化器。整合多學科團隊的定制化檢測方案，體現艾策服務于制造的技術深度。浙江cnas 軟件測評
企業數字化轉型指南：艾策科技的實用建議。浙江cnas 軟件測評
optimizer)采用的是adagrad，batch_size是40。深度神經網絡模型訓練基本都是基于梯度下降的，尋找函數值下降速度**快的方向，沿著下降方向迭代，迅速到達局部**優解的過程就是梯度下降的過程。使用訓練集中的全部樣本訓練一次就是一個epoch，整個訓練集被使用的總次數就是epoch的值。epoch值的變化會影響深度神經網絡的權重值的更新次數。本次實驗使用了80％的樣本訓練，20％的樣本驗證，訓練50個迭代以便于找到較優的epoch值。隨著迭代數的增加，前端融合模型的準確率變化曲線如圖5所示，模型的對數損失變化曲線如圖6所示。從圖5和圖6可以看出，當epoch值從0增加到5過程中，模型的驗證準確率和驗證對數損失有一定程度的波動；當epoch值從5到50的過程中，前端融合模型的訓練準確率和驗證準確率基本不變，訓練和驗證對數損失基本不變；綜合分析圖5和圖6的準確率和對數損失變化曲線，選取epoch的較優值為30。確定模型的訓練迭代數為30后，進行了10折交叉驗證實驗。前端融合模型的10折交叉驗證的準確率是％，對數損失是，混淆矩陣如圖7所示，規范化后的混淆矩陣如圖8所示。前端融合模型的roc曲線如圖9所示，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系曲線。浙江cnas 軟件測評
