尝试了前端融合、后端融合和中间融合三种融合方法对进行有效融合，有效提高了恶意软件的准确率，具备较好的泛化性能和鲁棒性。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。有效解决了现有采用二进制可执行文件的单一特征类型进行恶意软件检测的检测方法检测结果准确率不高、可靠性低、泛化性和鲁棒性不佳的问题。另外，恶意软件很难同时伪造良性软件的多个抽象层次的特征以逃避检测，本发明实施例同时融合软件的二进制可执行文件的多个抽象层次的特征，可准确检测出伪造良性软件特征的恶意软件，解决了现有采用二进制可执行文件的单一特征类型进行恶意软件检测的检测方法难以检测出伪造良性软件特征的恶意软件的问题。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图**是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是前端融合方法的流程图。数据驱动决策：艾策科技如何提升企业竞争力。石家庄第三方软件检测机构
此外格式结构信息具有明显的语义信息，但基于格式结构信息的检测方法没有提取决定软件行为的代码节和数据节信息作为特征。某一种类型的特征都从不同的视角反映刻画了可执行文件的一些性质，字节码n-grams、dll和api信息、格式结构信息都部分捕捉到了恶意软件和良性软件间的可区分信息，但都存在着一定的局限性，不能充分、综合、整体的表示可执行文件的本质，使得检测结果准确率不高、可靠性低、泛化性和鲁棒性不佳。此外，恶意软件通常伪造出和良性软件相似的特征，逃避反**软件的检测。技术实现要素：本发明实施例的目的在于提供一种基于多模态深度学习的恶意软件检测方法，以解决现有采用二进制可执行文件的单一特征类型进行恶意软件检测的检测方法检测准确率不高、检测可靠性低、泛化性和鲁棒性不佳的问题，以及其难以检测出伪造良性软件特征的恶意软件的问题。本发明实施例所采用的技术方案是，基于多模态深度学习的恶意软件检测方法，按照以下步骤进行：步骤s1、提取软件样本的二进制可执行文件的dll和api信息、pe格式结构信息以及字节码n-grams的特征表示，生成软件样本的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。兰州第三方软件测试中心企业数字化转型指南：艾策科技的实用建议。
在数字化转型加速的，软件检测公司已成为保障各行业信息化系统稳定运行的力量。深圳艾策信息科技有限公司作为国内软件检测公司领域的企业，始终以技术创新为驱动力，深耕电力能源、科研教育、政企单位、研发科技及医疗机构等垂直场景，为客户提供从需求分析到运维优化的全链条质量保障服务。以专业能力筑牢行业壁垒作为专注于软件检测的技术型企业，艾策科技通过AI驱动的智能检测平台，实现了测试流程的自动化、化与智能化。其产品——软件检测系统，整合漏洞扫描、压力测试、合规性验证等20余项功能模块，可快速定位代码缺陷、性能瓶颈及安全风险，帮助客户将软件故障率降低60%以上。针对电力能源行业，艾策科技开发了电网调度系统专项检测方案，成功保障某省级电力公司百万级用户数据安全；在科研教育领域，其实验室管理软件检测服务覆盖全国50余所高校，助力科研数据存储与分析的合规性升级。此外，公司为政企单位政务云平台、研发科技企业创新产品、医疗机构智慧医疗系统提供的定制化检测服务，均获得客户高度认可。差异化服务塑造行业作为软件检测公司，艾策科技突破传统检测模式，推出“检测+培训+咨询”一体化服务体系。通过定期发布行业安全白皮书、举办技术研讨会。
本发明属于恶意软件防护技术领域：：，涉及一种基于多模态深度学习的恶意软件检测方法。背景技术：：：恶意软件是指在未明确提示用户或未经用户许可的情况下，故意编制或设置的，对网络或系统会产生威胁或潜在威胁的计算机软件。常见的恶意软件有计算机**(简称**)、特洛伊木马(简称木马)、计算机蠕虫(简称蠕虫)、后门、逻辑**等。恶意软件可能在用户不知情的情况下窃取计算机用户的信息和隐私，也可能非法获得计算机系统和网络资源的控制，破坏计算机和网络的可信性、完整性和可用性，从而为恶意软件控制者谋取非法利益。腾讯安全发布的《2017年度互联网安全报告》显示，2017年腾讯电脑管家pc端总计拦截**近30亿次，平均每月拦截木马**近，共发现**或木马***。这些数目庞大、名目繁多的恶意软件侵蚀着我国的***、经济、文化、***等各个领域的信息安全，带来了前所未有的挑战。当前的反**软件主要采用基于特征码的检测方法，这种方法通过对代码进行充分研究，获得恶意软件特征值(即每种恶意软件所独有的十六进制代码串)，如字节序列、特定的字符串等，通过匹配查找软件中是否包含恶意软件特征库中的特征码来判断其是否为恶意软件。兼容性测试涵盖35款设备，通过率91.4%。
以备实际测试严重偏离计划时使用。在TMM的定义级，测试过程中引入计划能力，在TMM的集成级，测试过程引入控制和监视活动。两者均为测试过程提供了可见性，为测试过程持续进行提供保证。第四级管理和测量级在管理和测量级，测试活动除测试被测程序外，还包括软件生命周期中各个阶段的评审，审查和追查，使测试活动涵盖了软件验证和软件确认活动。根据管理和测量级的要求，软件工作产品以及与测试相关的工作产品，如测试计划，测试设计和测试步骤都要经过评审。因为测试是一个可以量化并度量的过程。为了测量测试过程，测试人员应建立测试数据库。收集和记录各软件工程项目中使用的测试用例，记录缺陷并按缺陷的严重程度划分等级。此外，所建立的测试规程应能够支持软件组终对测试过程的控制和测量。管理和测量级有3个要实现的成熟度目标:建立**范围内的评审程序，建立测试过程的测量程序和软件质量评价。(I)建立**范围内的评审程序软件**应在软件生命周期的各阶段实施评审，以便尽早有效地识别，分类和消除软件中的缺陷。建立评审程序有4个子目标:1)管理层要制订评审政策支持评审过程。2)测试组和软件质量保证组要确定并文档化整个软件生命周期中的评审目标，评审计划。代码审计发现2处潜在内存泄漏风险，建议版本迭代修复。兰州第三方软件测试中心
跨设备测试报告指出平板端UI元素存在比例失调问题。石家庄第三方软件检测机构
在不知道多长的子序列能更好的表示可执行文件的情况下，只能以固定窗口大小在字节码序列中滑动，产生大量的短序列，由机器学习方法选择可能区分恶意软件和良性软件的短序列作为特征，产生短序列的方法叫n-grams。“080074ff13b2”的字节码序列，如果以3-grams产生连续部分重叠的短序列，将得到“080074”、“0074ff”、“74ff13”、“ff13b2”四个短序列。每个短序列特征的权重表示有多种方法。**简单的方法是如果该短序列在具体样本中出现，就表示为1；如果没有出现，就表示为0，也可以用。本实施例采用3-grams方法提取特征，3-grams产生的短序列非常庞大，将产生224＝(16,777,216)个特征，如此庞大的特征集在计算机内存中存储和算法效率上都是问题。如果短序列特征的tf较小，对机器学习可能没有意义，选取了tf**高的5000个短序列特征，计算每个短序列特征的，每个短序列特征的权重是判断其所在软件样本是否为恶意软件的依据，也是区分每个软件样本的依据。(4)前端融合前端融合的架构如图4所示，前端融合方式将三种模态的特征合并，然后输入深度神经网络，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。石家庄第三方软件检测机构
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。